**

Graph WaveNet for Deep Spatial-Temporal Graph Modeling

**

1.概述

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一项重要任务。现有的方法大多捕获固定图结构上的空间依赖，假设实体之间的底层关系是预先确定的。然而，明确的图结构(关系)并不一定反映真实的依赖关系，由于数据中的连接不完整，可能会丢失真实的关系。此外，现有的方法无法捕获时间趋势，因为这些方法中使用的rnn或cnn无法捕获长时间序列。

为了克服这些限制，我们在本文中提出了一种基于CNN的新的图神经网络架构Graph-WaveNet，用于时空图建模。通过建立一种新的自适应邻接矩阵，并通过node embedding学习该矩阵，该模型可以准确地捕获数据中隐藏的空间依赖。通过a stacked dilated casual 1D convolution component 实现感受野随层数指数级增长，Graph WaveNet能够处理非常长的序列。这两个组件无缝地集成在一个统一的框架中，整个框架以端到端的方式学习。

在metro - la和PEMS-BAY两个公共交通网络数据集上的实验结果证明了该算法的优越性能。

2.提出问题 & 解决策略 & 模型结构

3.实验结果