1、文章信息 《Traffic Flow Forecasting with Spatial-Temporal Graph Diffusion Network》。这是华南理工大学和京东数科合作发表在计算机顶级会议AAAI2021上的一篇文章。 2、摘要 在各种时空挖掘应用中，例如智能交通控制和公共风险评估，准确预测整个城市的交通流量一直发挥着至关重要的作用。尽管先前的工作已为学习交通时序动态和空间

论文背景 应用背景 训练的是历史数据，但预测的是未来的数据，但是历史数据和未来数据的分布不一定是一样的，所以时间序列应用于股票预测往往不太稳定 动作预测： 基于之前的视频中每一帧动作，预测下一帧这个人要做什么动作； 流量预测： 网上购物：基于之前的流量预测出之后购买的流量应该有多少，好进行适当的补货 论文背景研究问题 拿过去20天的数据训练 1.短序列预测，则为预测未来2

循环自编码器是一种常用的时间序列异常检测模型，它利用异常点或异常段的高重建误差来识别异常点或异常段。然而，现有的循环式自动编码器由于序贯解码，容易出现过拟合和错误累积的问题。在本文中，我们提出了一种简单而有效的循环网络集成，称为多分辨率集成译码循环自编码器(RAMED)。通过使用不同译码长度的译码器和一种新的粗到细融合机制，较低分辨率的信息可以帮助译码器实现高分辨率输出的长距离译码。进一步引入多分