摘要

时空图建模是分析系统中各组成部分的空间关系和时间趋势的重要任务。现有的方法大多在固定的图结构上捕捉空间依赖关系，假设实体之间的潜在关系是预先确定的。然而，显式的图结构（关系）并不一定能反映真实的依赖关系，由于数据中的连接不完整，真正的关系可能会被遗漏。此外，现有方法在捕捉时间趋势方面效果不佳，因为这些方法中使用的递归神经网络（RNN）或卷积神经网络（CNN）无法捕捉长距离的时间序列。为了解决这些问题，本文提出了一种新的图神经网络架构——Graph WaveNet，用于时空图建模。通过开发一种新颖的自适应依赖矩阵并利用节点嵌入进行学习，我们的模型能够精确捕捉数据中的隐含空间依赖关系。Graph WaveNet 还包含一个堆叠的膨胀一维卷积组件，其感受野随着层数的增加呈指数增长，从而能够处理非常长的序列。这两个组件在一个统一的框架中无缝集成，并且整个框架以端到端的方式进行学习。在两个公开的交通网络数据集 METR-LA 和 PEMS-BAY 上的实验结果表明了我们算法的优越性能。