Pytorch复现STGCN:基于图卷积时空神经网络在交通速度中的预测

Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recognition. 图卷积神经网络，2018年AAAI论文代码。

时空图卷积网络STGCN用于交通预测的深度学习框架python程序源代码+设计文档 时空图卷积网络：一个用于交通预测的深度学习框架及时准确的交通预测是城市交通控制和诱导的关键。由于交通流的高度非线性和复杂性，传统的预测方法不能满足中长期预测任务的要求，往往忽略了空间和时间的相关性。本文提出了一种新的深度学习框架时空图卷积网络（STGCN）来解决交通领域的时间序列预测问题。我们不使用正则卷积和递归单元，而是在图上构造问题，并建立具有完全卷积结构的模型，实验表明，该模型通过对多尺度交通网络的建模，有效地捕获了复杂的时空相关性，在各种真实交通数据集上的性能均优于现有的方法。 在交通研究中，交通流的基本变量，即速度、交通量和密度通常被选为监测交通状况和预测未来的指标。根据预测长度，交通量预测一般分为两个尺度：短期（5∼ 30分钟），中长期（30分钟以上）。大多数流行的统计方法（例如，线性回归）都能很好地进行短期预测。然而，由于交通流的不确定性和复杂性，这些方法对于相对长期的预测效果较差。 以往的中长期交通预测研究大致可分为动态建模和数据驱动两大类。动态建模使用数学工具（如微分方程）和物理

标题中的“STGCN_IJCAI-18-master”是指在IJCAI（国际人工智能联合会议）2018年发表的一种名为STGCN（时空图卷积网络）的交通流预测模型的源代码仓库。这个模型是利用深度学习方法，特别是图卷积网络（Graph ...