2.5.4　时空图神经网络

在许多实际应用中，图形在图形结构和图形输入方面都是动态的。时空图神经网络（Spatial-temporal Graph Neural Network，STGNN）在捕获图的动态性中占据重要位置。这类方法旨在模拟动态节点输入，同时假设已连接节点之间的相互依赖性。例如，交通网络由放置在道路上的速度传感器组成，在道路上，边缘权重由传感器之间的距离确定。由于一条道路的交通状况可能取决于其相邻道路的状况，因此在进行交通速度预测时，必须考虑空间依赖性。作为解决方案，STGNN可以同时捕获图的空间和时间依赖性。STGNN的任务可以是预测未来的节点值或标签，或预测空间时间图标签。STGNN遵循两个方向，即基于循环神经网络的方法和基于卷积神经网络的方法。

大多数基于循环神经网络的方法通过过滤输入和隐藏状态传递给递归单元来捕获时空依赖关系。基于循环神经网络的方法存在一些问题，如耗时的迭代传播和梯度爆炸。作为替代解决方案，基于卷积神经网络的方法具有并行计算、稳定梯度和低内存需求等优点。这些方法都使用了一个预定义的图结构，假设预定义的图结构反映了节点之间的真正的依赖关系。但是，通过在空间时间设置中获得许多图形数据快照，可以从数据中自动学习潜在的静态图形结构。学习潜在的静态空间依存关系可以帮助研究人员发现网络中不同实体之间可解释且稳定的相关性。但是，在某些情况下，学习潜在的动态空间相关性可能会进一步提高模型的精度。例如，在交通网络中，两条道路之间的行驶时间可能取决于它们当前的交通状况。