DCRNN论文阅读笔记

Posted on Edited on In

读

https://arxiv.org/pdf/1707.01926.pdf

背景

ARIMA为什么不行 – 简单的时间序列模型通常依赖于平稳性假设，这是经常违反

CNN为什么不行 – 2D的

DCRNN，它集成了扩散卷积、序列到序列结构和调度采样技术( diffusion convolution, the sequence to sequence architecture and the scheduled sampling technique)

METHODOLOGY

TRAFFIC FORECASTING PROBLEM

数学上表示一下需要用到的东西

我们可以将传感器网络表示为一个加权有向图 G = (V，E，W)

image-20230408204418819

SPATIAL DEPENDENCY MODELING

我们通过将交通流量与扩散过程(diffusion process)联系起来建立空间相关性模型，该模型明确地捕捉到了交通动力学的随机性

具体原理之后再补

TEMPORAL DYNAMICS MODELI

改动点时间扩散卷积加入到GRU

模型

模型在这一块设计成了Seq2Seq的形式

image-20230408203054335

总结

https://www.ooordinary.com/post/dcrnn 原文里说到

总的来说，DCRNN的结构和STGCN、STGNN之类的相差不大，有意思的点在于扩散操作和扩散卷积那块，并没有使用chebnet获取信息而通过随机游走得到的稳定分布代替。

图解attention

懂得都懂