在 TCN 出现之前，深度学习背景下的序列建模主题主要与递归神经网络架构有关，如RNN、LSTM、GRU。在很多任务中发现，卷积网络可以取得比 RNNs 更好的性能，同时避免了递归模型的常见缺陷，如梯度爆炸/消失问题或缺乏内存保留。

在 TCN 出现之前，深度学习背景下的序列建模主题主要与递归神经网络架构有关，如RNN、LSTM、GRU。在很多任务中发现，卷积网络可以取得比 RNNs 更好的性能，同时避免了递归模型的常见缺陷，如梯度爆炸/消失问题或缺乏内存保留。

学习时序图神经网络需要对图神经网络有基本的认识，首先从最简单的GNN和GCN开始讲起。本文在理解原文的基础上，参考了其他博主的blog，整理出来作为笔记，既给自己看，也分享给大家。图神经网络(Graph Neural Network, GNN)是一种专门用于处理图数据的深度学习模型。传统的神经网络主要用于处理向量或序列数据，而图神经网络则可以有效地处理非结构化的图形数据，如社交网络、推荐系统中的用

在实际生活中，很多对象可以被看作图结构，有时候他们的边有相似但却又不同的性质。比如交通网络中，每一条道路都可以被看作边，每条路的情况却不同：有的是单行道，有的是双车道，有的是四车道，显然会对节点有不同程度的影响。那我们如何考虑这种影响？

本文是针对交通预测问题提出的一种考虑时间动态变化和城市道路拓扑结构的方法。