我是靠谱客的博主 满意芹菜，这篇文章主要介绍《Traffic Flow Prediction Through the Fusion of Spatial-Temporal Data and Points of Interest》阅读，现在分享给大家，希望可以做个参考。
《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
以上就是满意芹菜最近收集整理的关于《Traffic Flow Prediction Through the Fusion of Spatial-Temporal Data and Points of Interest》阅读的全部内容，更多相关《Traffic内容请搜索靠谱客的其他文章。
本图文内容来源于网友提供，作为学习参考使用，或来自网络收集整理，版权属于原作者所有。
发表评论 取消回复