STGCN网络整体架构如图2所示,网络输入是 M个时间步的图的特征向量 X∈R^{M×n×C_i } (论文中 C_i=1)以及对应的邻接矩阵 W∈R^{n×n},经过两个时空卷积块和一个输出层,输出 \hat{v}∈R^n 来预测第 t 个时间步后某个时间步特征。 图2 图时空网络整体架构 1、时域卷积块 每个时空卷积块由两个...
STGCN论文详解 Subranium 欢迎关注微信公众号:开源探索者。 12 人赞同了该文章 获取更多一手消息: Urban-computing-papersgithub.com/Knowledge-Precipitation-Tribe/Urban-computing-papers 1. Address 来自于北京大学的一篇文章,收录于IJCAI 2018,现在是交通预测中常用的benchmark。 论文链接:ijcai.org/Proceedings/...
本文解析的论文是关于时空图卷积网络（STGCN）在交通预测领域的深度学习框架，发表在2018年的IJCAI上。论文详细地址为：github.com/VeritasYin/S...图神经网络类型众多，STGCN则专注于时空特性。传统方法在处理交通流的复杂性和非线性预测上表现不足。STGCN通过定义图上的时间序列预测问题，采用纯卷积结构...