交通流量预测问题
背景：1）第一个限制是缺乏信息图结构信息。现有模型大多只利用给定的空间邻接矩阵对图进行建模，在对邻接矩阵建模时忽略了节点之间的时间相似性 2）目前的时空数据预测研究在捕捉局部相关性和全局相关性之间的依赖方面是无效的。
方案：为了捕捉局部和全局复杂的时空相关性，我们提出了一种新的基于cnn的框架，称为时空融合图神经网络(STFGNN)。受动态时间规正（dynamic time warping）的启发，我们提出了一种新的数据驱动图构造方法:基于时间序列相似性学习的时间图。然后将多个图集成为一个时空融合图，得到隐藏的时空相关性。此外，为了打破局部和全局的相关性权衡，引入了门控扩张卷积模块，其更大的扩张速率可以捕获长程相关性
问题：
框架：它由（1）输入层，(2)stacked Spatial-Temporal Fusion Graph Neural Layers and (3) an output layer
输入和输出层是一个和两个全连接层，然后是激活层，如“ReLU”。每个Spatial-Temporal Fusion Graph Neural Layer由多个时空融合图神经模块(STFGN模块)和一个门控CNN模块组成，该模块包含两个并行的一维扩张卷积块。
Spatial-Temporal Fusion Graph Construction
生成时间图的目的是获得比空间图更精确的依赖关系和真实关系的图结构。这里文中利用DTW算法，构造时间图
然后生成了
Spatial-Temporal Fusion Graph Neural Module
轻量级深度学习模型通过简单的时空就能提取出隐藏的时空相关性，比如乘法运算。通过与AST F G的多次矩阵乘法，网络中每个节点可以聚合ASG的空间相关性、AT G的时间模式相关性和AT C的自身近相关长时间轴。通过叠加L个图乘法块，可以聚集更复杂的非局部空间依赖。
然后进行裁剪
Gated Convolution Module
loss function
创新点：1）利用时间序列之间的相似性来构建节点之间的关系图。文中利用DTW来生成一个时间图 2）文中设计到的模块利用了parallel 并行化实现了数据加速训练。3）将多个图集组合成一个大的图结合网络获取潜在的时空依赖关系
