因为我们使用卷积操作,就不用像以前的采用RNN的方法依赖于之前的输出,所以我们可以对数据进行并行计算,这样使得模型训练速度更快。 而且模型还采用了GLU操作,在STGCN这篇论文中作者并没有对此进行过多的解释,我的理解是采用这种操作可以缓解梯度消失等现象还可以保留模型的非线性能力。 而且我们可以看到模型的运行效果也...
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...
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...