【深度学习|学习笔记】时序图卷积网络（Temporal Graph Convolutional Networks, T-GCN）详解，附代码。

不想努力的小土博

于 2025-05-28 07:30:00 发布

阅读量808

点赞数 22

CC 4.0 BY-SA版权

分类专栏：深度学习|学习笔记文章标签：深度学习学习笔记机器学习人工智能网络

本文链接：https://blog.csdn.net/2401_89898861/article/details/148040135

深度学习|学习笔记专栏收录该内容

31 篇文章

订阅专栏

【深度学习|学习笔记】时序图卷积网络（Temporal Graph Convolutional Networks, T-GCN）详解，附代码。

文章目录

【深度学习|学习笔记】时序图卷积网络（Temporal Graph Convolutional Networks, T-GCN）详解，附代码。
前言

欢迎铁子们点赞、关注、收藏！
祝大家逢考必过！逢投必中！上岸上岸上岸！upupup

大多数高校硕博生毕业要求需要参加学术会议，发表EI或者SCI检索的学术论文会议论文。详细信息可关注VX “学术会议小灵通”或参考学术信息专栏：https://blog.csdn.net/2401_89898861/article/details/147776348

前言

时序图卷积网络（Temporal Graph Convolutional Networks, T-GCN）是一种结合图卷积网络（GCN）和门控循环单元（GRU）的深度学习模型，旨在同时捕捉图结构中的空间依赖性和时间序列中的时间依赖性。

该模型最初由赵凌等人于2018年提出，主要应用于交通预测任务。

二、模型原理与公式

T-GCN模型的核心思想是：

图卷积层（GCN）：用于提取每个时间步的空间特征，捕捉节点之间的拓扑关系。
门控循环单元（GRU）：用于建模时间序列中的动态变化，捕捉时间依赖性。

具体而言，给定一个图 $G = (V, E)$ 和对应的邻接矩阵 $A$ ，以及节点特征矩阵 $X$ ，图卷积操作定义为：

在这里插入图片描述
其中：

$\widetilde A=A+I$ 是加上自环的邻接矩阵；
$\widetilde D$ 是 $\widetilde A$ 的度矩阵；
$H ^{(l)}$ 是第 $l$ 层的输入特征；
$W ^{(l)}$ 是第 $l$ 层的权重矩阵；
$σ$ 是激活函数，如ReLU。

然后，将每个时间步的图卷积输出作为GRU的输入，进行时间建模。

三、应用领域

T-GCN及其变体广泛应用于以下领域：

交通预测：如交通流量预测、速度预测等。
电力负荷预测：建模电网中各节点的负荷变化。
环境监测：如空气质量预测、水质监测等。
社交网络分析：如用户行为预测、信息传播建模等。

四、优缺点分析

优点：

联合建模空间和时间依赖性：通过结合GCN和GRU，能够同时捕捉空间和时间的复杂关系。
适用于非欧几里得结构的数据：如交通网络、电网等。
在多个实际任务中表现优异：特别是在交通预测领域。

缺点：

对图结构的依赖性强：需要预先定义好的图结构，且图结构的变化可能影响模型性能。
计算复杂度较高：尤其是在大规模图数据上，训练和推理的效率可能成为瓶颈。
对异常数据敏感：如传感器故障等异常数据可能影响模型的预测准确性。

五、Python实现示例

以下是一个简化的T-GCN模型的Python实现示例，使用了PyTorch框架：

import torch
import torch.nn as nn
import torch.nn.functional as F

class GraphConvolution(nn.Module):
    def __init__(self, in_features, out_features):
        super(GraphConvolution, self).__init__()
        self.weight = nn.Parameter(torch.FloatTensor(in_features, out_features))
        nn.init.xavier_uniform_(self.weight)

    def forward(self, input, adj):
        support = torch.matmul(input, self.weight)
        output = torch.matmul(adj, support)
        return output

class TGCNCell(nn.Module):
    def __init__(self, num_nodes, in_features, out_features):
        super(TGCNCell, self).__init__()
        self.num_nodes = num_nodes
        self.gc = GraphConvolution(in_features, out_features)
        self.gru = nn.GRU(out_features, out_features)

    def forward(self, x, adj, h):
        x = self.gc(x, adj)
        x = x.view(1, self.num_nodes, -1)
        out, h = self.gru(x, h)
        return out, h

class TGCN(nn.Module):
    def __init__(self, num_nodes, in_features, out_features, seq_len):
        super(TGCN, self).__init__()
        self.seq_len = seq_len
        self.tgcn_cell = TGCNCell(num_nodes, in_features, out_features)
        self.fc = nn.Linear(out_features, 1)

    def forward(self, x_seq, adj):
        h = None
        for t in range(self.seq_len):
            x = x_seq[:, t, :]
            out, h = self.tgcn_cell(x, adj, h)
        out = self.fc(out.squeeze(0))
        return out