阿斯泰格 基于注意力的时空图卷积网络的交通流量预测（ASTGCN） 参考 数据集 我们在来自加利福尼亚的两个高速公路交通数据集PeMSD4和PeMSD8上验证了我们的模型。 这些数据集由Caltrans绩效评估系统（ ）（ ）每30秒实时收集一次。 交通数据会从原始数据每隔5分钟汇总一次。 该系统在加州主要都会区的高速公路上部署了39,000多台探测器。 有关传感器测站的地理信息记录在数据集中。 我们的实验中考虑了三种流量度量，包括总流量，平均速度和平均占用率。 我们提供两个数据集：PEMS-04，PEMS-08 PEMS-04： 307个探测器2018年1月至2月3个特点：流动，占据，速度。 PEMS-08： 170个检测器2016年7月至8月3个特点：流动，占据，速度。 要求 python> = 3.5 mxnet> = 1.3.0 mxboard 科学的 张

Temporal Graph Convolutional Network for Urban Traffic Flow Prediction Method

图卷积神经网络教程 部分代码参考

图卷积网络 这是图卷积网络的TensorFlow实现，用于图中节点的（半监督）分类任务，如我们的论文所述： Thomas N.Kipf，Max Welling，（ICLR 2017） 有关高级解释，请查看我们的博客文章： 托马斯·基普夫（Thomas Kipf），（2016） 安装 python setup.py install 要求 张量流（> 0.12） 网络 运行演示 cd gcn python train.py 数据 为了使用您自己的数据，您必须提供 N×N邻接矩阵（N是节点数）， N×D特征矩阵（D是每个节点的特征数），以及 N by E二进制标签矩阵（E是类数）。 看一看在load_data()函数utils.py为例。 在此示例中，我们加载引文网络数据（Cora，Citeseer或Pubmed）。 原始数据集可以在以下位置找到： : 。 在我们的版本中（请参

ICCV 2019 论文发表ppt

仅供大家参考

图卷积网络 GCN Graph Convolutional Network（谱域GCN）的理解和详细推导博客pdf 原博客链接：https://blog.csdn.net/yyl424525/article/details/100058264#comments_12499724

这是Keras版的Gcn代码，有助于理解图卷积网络，配合原版的论文看起来会比较不错。