摘要

图神经网络（GNNs）和基于Transformer的模型越来越多地被用于学习时空图的复杂向量表示，捕捉对交通数据集等应用至关重要的复杂时空依赖关系。尽管许多现有方法利用多头注意力机制和消息传递神经网络（MPNNs）来捕捉空间和时间关系，但这些方法独立地编码时间和空间关系，并且仅在有限程度上反映了图的拓扑特征。在这项工作中，我们引入了Cycle to Mixer（Cy2Mixer），一种基于时空图的拓扑非平凡不变量并结合门控多层感知机（gMLP）的新型时空GNN。Cy2Mixer由三个基于MLP的模块组成：一个时间模块用于捕捉时间属性，一个消息传递模块用于封装空间信息，以及一个循环消息传递模块通过循环子图丰富拓扑信息。我们通过数学证据加强了Cy2Mixer的有效性，强调我们的循环消息传递模块能够为深度学习模型提供与传统消息传递模块不同的信息。此外，实证评估进一步证实了Cy2Mixer的有效性，在多个时空基准数据集上展示了最先进的性能。源代码可在以下网址获取：https://github.com/leemingo/cy2mixer。