DCRNN论文阅读笔记
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)
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
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。
懂得都懂