Spatial-Temporal Fusion Graph Neural Networks for Traffic Flow Forecasting（AAAI2021）
缺陷：
-
目前只是基于地理信息进行图信息的构建，没有忽略了节点间的相似性，缺乏信息图构造。(语义信息)
-
为了捕获局部和全局复杂的时空依赖关系，我们提出了一种新的基于CNN的框架称为时空融合图神经网络；
-
受动态时间规整的启发，我们提出了一种新的数据驱动的图构造方法：基于时间序列之间的相似性学习的时间图。然后将多个图集成为一个时空融合图，以获得隐藏的时空依赖关系。此外，为了打破局部和全局相关性的折衷，引入了门控膨胀卷积模块，其较大的膨胀率可以捕获长程相关性。
本文贡献：
- 提出了一种数据驱动的生成“时间图”的方法，以补偿空间图可能无法反映的几种现有的相关性。
SFTGNN可以有效地学习隐藏的时空依赖性的各种空间和时间的图形，并行处理不同的时间段的一种新的融合操作。- 同时，通过将该融合图模块和一种新的门控卷积模块集成到一个统一的层中，
SFTGNN可以通过学习更多的时空依赖性来处理长序列。
