概述
《Traffic Flow Prediction Through the Fusion of Spatial-Temporal Data and Points of Interest》： 先指出了三个问题：1：没有将历史交通流、时间、POI等多源因素很好的结合在一起2：用GNN的时候往往都是固定矩阵，然后固定矩阵不能很好的反应实时关系3：将进流量和出流量看成同个任务导致性能下降，看成两种任务性能会好一点，因为看成一种任务就忽视了流量序列之间的差异。
然后本文的主要解决方法是：1：设计了一种gated fusion network来融合交通流量、时间和POI。2：然后设计了一个hierarchical adaptive graph convolution network，在这个网络中邻接距离矩阵在不同维度都会变化3：然后把任务分为三类：进流量、出流量和总流量进行多任务学习。
网络结构如下：GCN处用的diffusion graph convolution(扩散卷积)
GNN网络结构如下：ELU( Exponential Linear Unit activation function)、GLU(Gated Linear Unit)
第二个block的网络结构：
最后
以上就是满意芹菜为你收集整理的《Traffic Flow Prediction Through the Fusion of Spatial-Temporal Data and Points of Interest》阅读的全部内容，希望文章能够帮你解决《Traffic Flow Prediction Through the Fusion of Spatial-Temporal Data and Points of Interest》阅读所遇到的程序开发问题。
如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。
发表评论 取消回复