SpecSTG: 一种快速的谱扩散框架用于概率时空交通预测
内容提要
该文综述时空图神经网络在智慧城市交通预测中的研究进展，介绍ST-GDN、ST-GST、CaST、STFGNN、SpecTGNN、StemGNN、ST-GRAT等模型，分别从空间语义、多尺度时间动态、因果建模、频域分析等角度提升预测性能，并探讨稀疏时空数据建模与未来研究方向。
延伸解读
从局部地理到全局语义：ST-GDN 的层次化建模
ST-GDN 采用层次图神经架构，同时从局部角度学习区域地理依赖关系，并从全局角度捕捉空间语义。这种设计有助于模型在交通预测中兼顾相邻路段的细粒度影响和跨区域的宏观关联。配合多尺度注意力网络，ST-GDN 能捕捉多级时间动态，实验表明其性能优于多种最新基线。
频域与因果视角：不同技术路线的互补性
综述中提到的模型从不同角度提升预测性能：StemGNN 通过图傅里叶变换和离散傅里叶变换结合，同时捕获时间序列内部与序列间的相关性；CaST 则利用结构因果模型处理时间分布外问题和动态空间因果。这些方法分别侧重频域分析和因果建模，为时空交通预测提供了互补的技术路径。
稀疏数据与长期预测：现实场景的挑战
文章关注空间和时间都稀疏的数据建模，提出耦合自激励点过程和图结构循环神经网络的框架，在犯罪和交通预测中实现更精准的实时预测。此外，STGC 通过时空格兰杰因果关系建模全局动态空间依赖性，实验显示其长期预测效果优于原始模型。这些工作表明，稀疏数据和长期预测是当前研究的重要方向。
Q&A
ST-GDN 模型是如何同时捕捉局部地理依赖和全局空间语义的？
ST-GDN 采用层次结构的图神经架构，从局部角度学习区域地理依赖关系，同时从全局角度学习空间语义，并配备多尺度注意力网络以捕捉多级时间动态。
ST-GST 在训练数据有限的情况下表现如何？
ST-GST 基于空时图散射变换，无需训练即可视为空时图卷积网络的正向传递，在限制的训练数据情况下表现出稳定性，且实验表明其性能优于空时图卷积网络。
CaST 框架如何解决时空图预测中的时间分布外问题？
CaST 通过建立结构因果模型解析 STG 的数据生成过程，使用解缠结块通过反门调整处理时间分布外问题，并利用前门调整和 Hodge-Laplacian 操作符进行边级卷积以模拟因果效应的涟漪效果。
StemGNN 如何在不使用预定义先验的情况下学习序列间的相关性？
StemGNN 通过结合 Graph Fourier Transform (GFT) 和 Discrete Fourier Transform (DFT)，同时捕获时间序列内部的时间相关性和序列间的相关性，并自动学习序列间的相关性，无需预定义先验。
STGC 是如何建模全局动态空间依赖性的？
STGC 基于假设：全局-动态交通信息 (GDTi) 行为为交通流内在的传输因果关系 (TCR)，通过时空 Granger 因果关系表达 TCR，从而建立全局动态空间依赖性的模型，实验表明使用 STGC 对空间依赖性建模比原始模型获得更好的长期预测效果。
针对空间和时间都稀疏的时空数据，有哪些建模框架？
文章提出了一个通用的时空数据建模、分析和预测框架，重点关注空间和时间都稀疏的数据。该框架由自激励点过程和图结构循环神经网络两个组成部分无缝耦合，实现了更精准的实时预测，针对犯罪和交通预测具有良好的效果。
