时空图卷积网络(2.3-STGCN)原理详解与新手实践指南

1次阅读

共计 2746 个字符，预计需要花费 7 分钟才能阅读完成。

时空序列数据（如交通流量、气象观测）同时包含空间拓扑关系和时间动态变化。传统方法如 ARIMA 仅建模时序依赖，图神经网络 (GNN) 仅处理空间关系，而 STGCN 通过以下创新解决二者结合问题：

空间建模：将传感器网络抽象为图结构，节点表示监测点
时间建模：采用空洞因果卷积捕获多尺度时序模式
联合优化：通过门控机制动态融合时空特征

STGCN 核心运算单元由空间卷积 (S-Conv) 和时间卷积 (T-Conv) 组成：

$$\mathbf{Z}^{(l+1)} = \sigma\left(\sum_{k=0}^{K-1}\mathbf{\Theta}_k^{(l)}\mathbf{Z}^{(l)}\mathbf{\Phi}_k^{(l)}\right)$$

其中：
– $\mathbf{Z}^{(l)}$ 为第 $l$ 层特征
– $\mathbf{\Theta}_k$ 为空间核参数（图拉普拉斯矩阵多项式）
– $\mathbf{\Phi}_k$ 为时间核参数（1D 卷积权重）

采用 GATv2 改进空间聚合过程：

class GATLayer(nn.Module):
    def __init__(self, in_dim, out_dim, heads):
        super().__init__()
        self.W = nn.Parameter(torch.FloatTensor(in_dim, out_dim))
        self.attn = nn.Parameter(torch.FloatTensor(2*out_dim, 1))

    def forward(self, x, adj):
        h = torch.matmul(x, self.W)
        # 计算注意力系数
        a_input = torch.cat([h.repeat(1,N,1), h.repeat(N,1,1)], dim=-1)
        e = torch.matmul(torch.tanh(a_input), self.attn)
        attention = F.softmax(e.masked_fill(adj==0, -1e9), dim=1)
        return torch.matmul(attention, h)

滑动窗口处理流程：

输入序列分割为 $T$ 个长度为 $\tau$ 的片段
每个片段通过时间卷积提取局部特征
使用 LSTM 层建模片段间依赖关系
最终输出层融合所有时间步特征

def load_pems_data(dataset_path):
    # 加载原始数据
    data = np.load(dataset_path)
    # 标准化
    scaler = StandardScaler()
    data = scaler.fit_transform(data)
    # 构建时空样本
    X, y = [], []
    for i in range(len(data)-window_size-pred_len):
        X.append(data[i:i+window_size])
        y.append(data[i+window_size:i+window_size+pred_len])
    return torch.FloatTensor(X), torch.FloatTensor(y)

class STGCN(nn.Module):
    def __init__(self, num_nodes, in_dim, hidden_dims):
        super().__init__()
        self.spatial_conv = nn.Sequential(GATLayer(in_dim, hidden_dims[0], heads=4),
            nn.BatchNorm1d(num_nodes)
        )
        self.temporal_conv = nn.Sequential(nn.Conv2d(1, hidden_dims[1], kernel_size=(3,1), dilation=(2,1)),
            nn.GELU(),
            nn.Dropout(0.3)
        )
        self.output_layer = nn.Linear(hidden_dims[-1], pred_len)

    def forward(self, x, adj):
        # x shape: (B, T, N, C)
        b, t, n, c = x.shape
        x = x.permute(0,2,1,3)  # (B,N,T,C)

        # 空间卷积
        spatial_feat = []
        for ti in range(t):
            feat = self.spatial_conv(x[:,:,ti,:], adj)
            spatial_feat.append(feat)
        x = torch.stack(spatial_feat, dim=2)  # (B,N,T,C)

        # 时间卷积
        x = x.permute(0,3,2,1)  # (B,C,T,N)
        temporal_feat = self.temporal_conv(x.unsqueeze(1))

        # 输出预测
        return self.output_layer(temporal_feat.squeeze())

在 PeMS-D4 数据集上的性能对比：

模型	MAE	RMSE	MAPE
HA	4.23	7.89	9.8%
ARIMA	3.56	6.21	7.2%
STGCN	2.87	5.04	5.9%

关键参数影响分析：

图注意力头数：4 头时效果最佳（+1.2% MAE 改进）
时间卷积空洞率：2- 4 层交替空洞结构最优
滑动窗口长度：12 小时历史数据（24 个时间步）

错误：直接使用地理距离构建邻接矩阵

修正：采用动态相关性矩阵：

def build_correlation_adj(data, threshold=0.5):
    corr = np.corrcoef(data.T)
    adj = (np.abs(corr) > threshold).astype(float)
    np.fill_diagonal(adj, 0)  # 移除自环
    return adj

在时空卷积块间添加残差连接
使用 LayerNorm 代替 BatchNorm
学习率采用余弦退火策略

使用混合精度训练

scaler = torch.cuda.amp.GradScaler()
with torch.cuda.amp.autocast():
    pred = model(x, adj)
    loss = criterion(pred, y)
scaler.scale(loss).backward()
scaler.step(optimizer)