目录
预备知识
在本节中，我们介绍定义和问题陈述。为简洁起见，我们在表1中提供了一个注释表。
假设有个位置，它们报告
时间戳上的
类型的流量信息。
注：我猜测这里所陈述的应为类似于"重度拥堵"，"轻度拥堵"等类型信息。
定义1：城市交通
城市交通记为一个向量,其中
表示在时间t所有位置的交通流量信息。
定义2：Geo-graph属性
Geo-graoh属性代表位置周围的环境以及其相互关系，分别对应节点属性和边属性。形式上，使图G=（V，E）代表一个有向图，V和E分别是表示该位置特征和表示位置间联系的向量列表。此外，我们使用Ni来表示节点i的邻居。
问题1
给定前序交通信息输入流和geo-graph信息G,预测下一时间步中所有地理位置的输出流信息
方法
在本节中，我们描述了用于流量预测的st -MetaNet的架构，如图3(a)所示。遵循序列到序列(Seq2Seq)架构，ST-MetaNet由两个独立的单元组成：编码码器（蓝色部分）和解码器（绿色部分）。前者用于对输入序列进行编码，如，城市历史交通信息数据，产出隐状态H_{RNN},H_{Meta-RNN},作为解码器的初始状态，并据此输出未来若干时间步的预测交通流量。
更具体一些来进行说明，编码器和解码器有着相同的网络结构，包含四个组成部分：
RNN
我们使用RNN来嵌入历史城市交通序列，能够学习长时间的时序依赖关系。
元学习器
如图3(b)所示，我们使用两个全连接网络（FCNs），命名为节点元知识学习器（Node-Meta-Knowledge Learner） (NMK-Learner)和边元知识学习器（Edge-Meta-Knowledge Learner）(EMK-Learner)，分别从节点属性(如POIs和GPS位置)和边属性(如位置间距离和道路连通性)中学习节点和边的元知识。然后，将学习到的元知识进一步用于学习另两种网络的权重，即图注意力网络 (GAT)和循环神经网络。以一个节点为例，节点的属性输入给NMK-Learner，随后其输出一个向量，代表该节点的元知识。
元图注意力网络
如图3（c）所示，元图注意力网络（Meta Graph Attention Network）（Meta-GAT）由一个元学习器和一个图神经网络组成。它的输入是所有节点和边的元知识边，输出是图注意力网络的权重。Meta-GAT通过沿边单独广播位置的隐状态来捕获不同的空间相关性。
元循环神经网络
如图3（d）所示，元循环神经网络（Meta Recurrent Neural Network）（Meta-RNN）由一个元学习器和一个循环神经网络组成。这里的元学习器是一个典型的FCN，其输入是所有节点的元知识，输出是RNN对每个位置的权重。Meta-RNN可以捕获与位置的地理信息相关的时间相关性。