论文笔记--Spatial-Temporal Fusion Graph Neural Networks for Traffic Flow Forecasting
Summary在交通预测问题上，现有的框架通常利用给定的空间邻接图和复杂的机制来建模空间和时间关联。作者认为使用给定的空间邻接图会限制模型的有效时空相关性学习，并且它们通常使用单独的模块来实现空间和时间相关性，或者只使用独立的组件来捕获局部或全局的异质依赖关系，割裂了时空依赖关系。为此作者提出一种时空融合图神经网络用于交通预测。提出一种数据驱动的“时间图”生成方法，以此来补偿空间图可能没有反映的相关性。提出一种新的交通预测方法。Problem Definition交通预测中的挑战以上图为
