1.【CIKM 2020】ST-GRAT: A Novel Spatio-temporal Graph Atention Network for Traffic Forecasting

【CIKM 2020】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。值得注意的小程序游戏源码是，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，源码集合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。题库源码因此，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，寻源码解码器则使用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金融源码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。