1.st-gcn环境搭建
2.CIKM 2020ST-GRAT: A Novel Spatio-temporal Graph Atention Network for Traffic Forecasting
st-gcn环境搭建
搭建ST-GCN环境的码下步骤如下：
一、硬件与系统准备
推荐使用基于Ubuntu .的码下系统，可从浙大官网下载稳定版本的码下镜像。通过U盘启动制作Ubuntu系统盘，码下完成格式化后使用深度制作工具进行系统安装。码下在桌面计算机中使用磁盘管理工具创建Ubuntu分区，码下全球购正品源码一般GB空间足矣。码下通过BIOS设置将U盘设置为启动优先项，码下然后开始安装Ubuntu系统。码下
二、码下安装Python3
在Ubuntu系统中，码下将Python3设置为默认版本，码下使用pip进行包管理无需额外命令。码下在终端中通过快捷键或命令行操作完成Python3的码下c tcp通讯源码安装。
三、码下软件源配置
使用国内服务器作为Ubuntu软件源，推荐使用阿里云提供的服务，无需额外配置。如果使用官方镜像，可能需要更新软件源以获取最新软件包。
四、安装显卡驱动
使用NVIDIA显卡的用户，需安装对应版本的驱动程序。通过三种方法之一：官方PPA源安装、下载并编译安装、添加官方PPA源后安装。
五、oracle jdbc 驱动源码安装CUDA和cuDNN
检查NVIDIA显卡型号和系统内核版本，确保CUDA版本与驱动匹配。下载CUDA和cuDNN，按步骤安装，确保安装成功并验证。
六、安装Python3的pip虚拟环境
在Python3环境下安装pip，所有pip命令都将在Python3环境中执行。创建虚拟环境管理目录，将虚拟环境添加到环境变量中，并创建Python3虚拟环境。
七、安装torch和torchvision
使用国内源安装torch和torchvision，crysis2 源码可永久修改pip安装源。查看Python版本与对应torch版本的关系，确保兼容性。
八、安装cmake
使用cmake配置编译参数，安装cmake和cmake-gui，确保cmake操作顺利进行。
九、安装opencv
可以选择通过apt-get安装opencv-python或从源码构建。构建时注意解压、更新依赖、下载ippicv，确保opencv功能齐全。eclipse 调试进入源码
十、安装caffe
从openpose提供的链接下载caffe源码，解压后修改Makefile配置参数，编译安装。
十一、安装openpose
在caffe目录下连接openpose，下载源码，配置编译参数，确保兼容性和接口接入，测试安装成功。
十二、安装ffmpeg
下载ffmpeg源码，安装依赖环境，配置并编译安装。推荐使用smplayer作为视频播放软件。
完成上述步骤后，环境搭建就已基本完成。评估官方模型，训练自己的模型，进行样本示例展示。安装视频播放软件，如smplayer，用于观看可视化效果。欢迎指出错误与建议，祝您搭建成功！
CIKM ST-GRAT: A Novel Spatio-temporal Graph Atention Network for Traffic Forecasting
本文提出了一种新颖的时空图注意力网络(ST-GRAT)用于交通预测。此模型采用了Transformer结构并结合了先验路网的归纳偏置，同时引入了sentinel对self-attention进行信息筛选。值得注意的是，ST-GRAT没有公开源码，作者自行实现后发现性能与文章中所述存在差距。在交通预测领域，如STGODE、DGCRN、StemGNN、HGCN等已有相关研究，本文重点探讨了使用self-attention进行交通预测的技术路径。
传统基于GCN的方法在计算路网关系时往往忽略了动态变化性和流量的方向性，GaAN虽然引入了动态计算空间关系的注意力机制，但未充分利用图结构信息，同时DCRNN等RNN模型在捕捉长距离时间依赖方面表现不佳。因此，ST-GRAT致力于解决这些局限性。
ST-GRAT的核心创新在于引入了捕捉空间依赖的Spatial Attention模块。输入经过Embedding Layer增强时空表达能力后，编码器通过时空注意力提取关键特征，解码器则使用Masked Temporal Attention进行预测，确保未来预测的因果关系，同时通过Encoder-Decoder Attention获取历史信息。
在Embedding Layer部分，为多变量预测任务设计了时间维度的positional embedding和带有空间结构信息的spatial embedding。LINE算法用于获取spatial embedding，作者还结合了positional embedding并进行映射以增强模型能力。代码实现中涉及了与Transformer不同的嵌入策略和网络架构细节。
Spatial Attention模块采用多头注意力机制，通过计算所有节点间的注意力系数，并引入先验结构知识和sentinel信息进行消息传递。sentinel概念用于控制信息流向，确保模型在预测过程中既能保留原有信息，也能吸收其他节点的影响。代码实现中包含了相关系数的归一化处理和sentinel的计算方法。
Temporal Attention模块与Spatial Attention相似，但去除了添加图结构先验和sentinel部分。实验结果显示，ST-GRAT在多个交通数据集（如METR-LA和PEMS-BAY）上取得了优秀的性能，在长短期预测任务中均优于或与GMAN持平。此外，ST-GRAT在不同时间段和速度变化较快的区间上也表现出色。
通过消融实验验证了各部分对模型的有效性，ST-GRAT的计算效率优于RNN和其他注意力模型，与使用卷积的生成模型Graph WaveNet相比，性能稍有差距。整体而言，ST-GRAT在交通预测领域展现出了创新性和实用性。
