一段，六句 a.一句话引出交通预测 在智能交通系统中，交通预测是一项非常重要的任务。 b.第二句交通预测挑战 由于交通数据的非欧洲结构、复杂的空间相关性和动态时间依赖性，准确 预测交通具有挑战性。 c.三-五句：本文提出了现有的方法和缺点TFGAN 虽然很少有以前的研究同时考虑多个交通节点之间的连接，但大多数研究没有捕捉到不同的时间 多个节点之间的间步依赖关系。 此外，大多数现有工作只根据交通节点之间的距离生成浅图，这限制了它们的表达能力，降低了它们捕捉复杂相关性的能力。 特别是最近生成的对抗网络（GAN）图卷积网络的突破和突破（GCN）本文提出了对非欧几里得数据处理的强大影响 抗性多图卷积神经网络模型命名为 TFGAN , 解决上述问题。 d.六-九句：模型实现及效果 我们将无监督模型的灵活性与监督培训提供的监督相结合，以帮助GAN生成器模型生成准确的流量预测。为有效提高表示与建模隐式的相关性，在生成器中构建了多个基于相似性、相关性和空间距离的角度GCN。同时，在每个图之后应用GRU动态时间依赖的动态时间依赖关系与自我注意力。使用六个现实世界 三种不同的交通变量(交通流量、速度和旅行时间)的综合实验表明，TFGAN优于最先进的相关模型 成绩显著。 句型： …constitutes a task of great importance in … ……构成……一项非常重要的任务。 …demonstrate that … outperforms … and achieves significant results. …证明…优于…并取得显著成效。

六段 一段，共七句 a.一-四句：交通预测的作用 交通预测是智能交通系统（ITS）最重要的功能之一。它有助于改善各种交通应用 预测交通流量、速度、需求和旅行时间等服务质量。交通预测的主要目的是基于道路 历史交通数据预测交通网络的未来状况。准确的交通预测不仅是交通管理人员的优秀 提供科学的交通管理和效率支持，并为旅行者提供适当的路线建议，以改善他们 旅行体验。 b.五-九句：交通预测中应考虑的因素 交通预测是一个具有挑战性的问题，因为数据的结构、复杂的空间相关性和交通模式的动态时间依赖性。此外，空间和时间依赖之间的干扰增加了准确交通预测的高度复杂性。此外，交通模式通常每天或每周循环。每日值显示高峰和非高峰时段的拥堵变化，而每周值显示工作日和周末的流量波动。因此，考虑到这些潜在的特征是实现交通预测任务的基础。 句型： … is one of the most essential features of… …是…最基本的特征之一 It contributes significantly to the enhancement of the quality of …, 它对提高…质量做出了重大贡献 … not only gives scientific backing to … in an attempt to optimize …but it also offers recommendations on the… in order to improve … …不仅为…试图优化科学支持…并提供相关信息…的建议以改进… 二段，共五句 a.一-二句：之前的交通数据方法及缺点 以往的交通预测研究是基于对历史数据中交通模式的统计分析，利用结果实现历史交通模式的时间依赖和预测。由于交通条件的复杂性、不确定性和重叠性，这些模型不再适用于现实世界的场景。 b.三-五句：MTS交通数据结构的特点 后来的方法试图从数据中确定和捕获交通模式的动态相关性，而不使用先验信息。多变量时间序列 (MTS) 是最常用的交通数据结构。它包含多个与时间相关的变量，每个变量都取决于其早期值和其他相关变量值（即道路网络中任何节点的未来交通量不仅取决于其历史交通量，还取决于道路网络中的其他节点网络）。 句型： It comprises multiple … variables, each of which relies on … as well as values from other related variables 它包含多个 … 变量，每个变量都依赖于 … 来自其他相关变量的值 三段，五句 a.一-二句：统计方法和传统的机器学习方法及缺点 在交通预测研究的早期阶段，采用了统计方法和传统的机器学习方法，如 ARIMA 和 SVR。虽然这些方法可以捕捉时间依赖性，但它们忽略了空间相关性，从而限制了它们推断道路网络拓扑确定的交通模式的潜力。 b.三-五句：深度学习模型及缺点 后来，深度学习模型在预测准确性确性的显著提高。原因是他们可以学习交通模式的非线性和复杂的时空依赖性。除了RNNs，许多学者也加入了他们的模型CNNs识别空间与时间的关系。此后，交通预测中广泛应用了注意力机制。虽然这些模型在处理欧几里得数据时提供了令人满意的结果，但在数据通常遵循非欧几里得结构的交通领域仍然存在限制。 句型： … have shown significant improvements in terms of … …在…效果很好。 Despite the fact that these models provide satisfying results when dealing with … 尽管正在处理这些模型…提供令人满意的结果。 四段，共七句 a.一-四句：GCN、GAT、GNN等在交通预测中的运用。 由于 GCN 最近处理图结构数据的能力很强 GCN 突破为优化交通预测问题的解决方案迈出了实质性的一步。采用最新的研究工作 GCN [4,5]、GAT [6, 7] 和时空 GNN [8] 解决交通预测任务。最近，GANs 它已成为许多研究领域的热点，但很少使用研究 GANs 以交通预测为例 TrafficGAN [9]作者使用 CNN 和 LSTM 在 GAN 捕获框架内的时空关系来预测交通流量。此外，在 [10] 中提出了 SATP-GAN，用于自我关注和强化学习模块 GAN 预测交通流量。 b.五-七句：上述模型的缺点。 然而，这些模型中的大多数都使用了有限的浅图，这往往限制了它们推导复杂相关性的能力。此外，他们中的许多人并不完美地捕获冗长的空间关系，因为他们要么处理整个节点，忽略了道路网络拓扑的可变性，要么仅限于捕获附近的空间连接。尽管一些现有的研究考虑了多个节点在同一时间间隔之间的互连，但以前的研究忽略了不同节点在不同时间间隔之间的依赖关系。 句型： Recent breakthroughs in … provide a substantial step towards an optimal solution to the …owing to their powerful capability to cope with … 最近在…实现突破…最好的解决方案迈出了实质性的一步，因为它们有很强的反应…的能力。 Despite the fact that … take into account interconnections between multiple nodes at the same interval 尽管…考虑到多个节点之间的相互连接时间间隔相同 五段，共十七句 a.一-四句：提出TFGAN以及TFGAN的基本构造 为了克服上述缺陷，我们提出了这项工作 TFGAN，产生对抗性多图卷积网络模型。用一种多GCN模型来学习基于各种视角的交通节点之间的空间相关性，而使用GRU提取时间依赖性与自我注意力的关系。此外，对抗性训练策略旨在通过整合无监督和监督训练来改进模型学习。此外，强大的分析算法应用于预处理阶段，如 SparseDTW、RobustSTL 和 Pearson 构建不同的相邻矩阵，从而提取额外的信息，增强数据表示，提高模型容量。 b.五-十七句：本模型的贡献 本工作的主要贡献总结如下： ? 我们设计了基于多图卷积的深度学习模型 GCN 新提出的 GAN 训练对抗性训练方法。我们的模型不仅可以学习交通节点历史数据的局部复杂空间相关性和动态时间依赖性，还可以学习不同时间步长与网络其他节点的整体相关性。 ? 我们提出了一种基于节点相关性（如相似性、趋势-季节性相关性和邻域）的多图卷积架构，充分提取和建模交通节点之间的潜在空间相关性。因此，数据表示得到了丰富，模型学习的复杂性和深度相关性得到了扩展。同时，在其他图之上构建合成图来捕获单个图无法捕获的隐式全局关系，从而提高模型能力和预测准确性。另外，每张图后使用 GRU 和 捕获时间依赖性的注意力机制。 ? 通过结合无监督和监督目标，优化模型学习，提高其准确性，提出了一种新的对抗训练方法。通过无监督培训，我们的模型寻求学习真实数据的分布，减少对抗性损失，从而产生接近真实数据的预测。在监督培训中，我们的模型试图捕捉交通节点之间的时空相关性，最小化 MSE 损失使预测与真实数据一致。基于这些观点，MSE 可以补充对抗性损失。因此，模型训练变得更加高效，预测精度也提高了。 ? 利用六个现实世界的交通数据集，对三个不同的交通变量进行了广泛的实验，以验证模型的效率。结果表明，提出的方法超越了最先进的方法，并取得了更好的性能。 句型： Extenive experiments to verify the efficiency of …were conducted on … using … 为验证…的效率进行了广泛的实验，对…使用…进行了验证。 The results demonstrate that…surpasses the …and achieves better performance. 结果表明……超过……并取得了更好的性能。 六段，共六句 a.一-六句：本文内容安排 本文的其余部分安排如下。 第 2 节回顾了与本研究相关的现有工作。 第 3 节制定了问题定义并定义了符号。 第 4 节详细讨论了所提出的模型。 第 5 节说明了实验结果并讨论了各种模型组件的影响。 第 6 节简要总结了整篇论文。

两段 一段，共八句 a.一-五句：生成性对抗网络的定义及组成。 生成性对抗网络可以定义为无监督学习模型，将监督损失作为其学习过程的一部分。GANs的主要结构由两部分组成：生成器，用于学习数据的分布并生成相似的数据。鉴别器，计算来自真实数据的数据的可能性，并将其分类为真实或虚假[11]。从概念上讲，生成器试图通过生成假样本来欺骗鉴别器，使其尽可能接近数据分布，同时最大化分类错误。相反，鉴别器尝试尽可能多地区分假样本，同时最小化分类错误[11]。 b.六-八句：人们对GAN的应用。 人们对使GAN能够预测时间序列预测[12,13]和流量预测[10,14]等问题的兴趣激增。[15]的作者提出了一种对抗性不完全多视图聚类（AIMC），该聚类搜索多视图数据的共享潜在空间，同时也插补缺失数据。为了预测缺失数据，他们将GAN与元素重建相结合。[16]的作者还使用GANs进行交通事件检测。 句型： GANs can be defined as… that utilize … as part of their learning process. GAN 可以定义为……利用……作为其学习过程的一部分。 There is a surge of interest in enabling … for … 人们对使用…的兴趣激增…。 二段，共十五句 a.一-十五句：使用GAN解决交通问题的历史模型 最近，使用GAN解决交通问题已成为一个热点。黄等人[17]将GANs与GAT模型相结合，预测行人轨迹。张，Y.等。他们提出了TrafficGAN[9]，在那里他们利用GAN预测交通流，利用CNN和LSTM。Saxena和Cao设计了用于时空预测的D-GAN[18]。他们的模型包括通过潜在分布建模捕捉关系的特征学习网络和合并外部因素的融合模型。Zhang，L.等人开发了SATP-GAN[10]，他们在其中应用自注意力来理解GAN模块中的时间序列数据范式，然后使用强化学习来调整参数。Yingxue等人已采用路缘GAN[19]进行城市交通估算，假设不同的出行请求是“conditions”，因此产生兼容的交通近似值。他们还采用了自注意力层来捕捉时间依赖关系，而道路网的空间关系是通过CNN层实现的。Naji等人利用递归网络模型和卷积网络模型，在[20]中使用GANs对多源数据进行出租车需求预测。Lin等人[21]利用GANs进行交通事故检测。他们应用随机森林算法根据交通因素的重要性对其进行分级，并使用GANs生成前所未有的事件样本。在他们的工作中，支持向量机被用作检测模型。以前的大多数方法对生成器和鉴别器模块采用了简单的架构，其中它们使用简单的CNN或单个GCN来捕获空间相关性，而简单的时间卷积网络或LSTM层用于捕获时间动态。使用这种浅层架构不足以捕捉交通的复杂时空关系。然而，我们提出的模型采用了具有GRU和自注意力的多GCN架构，可以捕获深度和复杂的时空相关性。 句型： Most recently, using … to tackle … issues has become a hotspot. 最近，使用…解决…问题已成为热点。 …have adopted … for … estimation, supposing that … …已采用 … 方法对。。。进行 估计，假设 …

一段：问题定义及图和邻接矩阵的定义 在本节中，我们专注于基于来自道路网络上多个交通节点的MTS数据的交通预测任务。让St∈ RN表示时间戳t处N个节点的测量值，其中Sti∈ R表示时间戳t处第i个节点的测量值。给定P个时间戳X={St−P,St−P+1,…,St}我们的目标是预测一系列未来测量Y=St+H，其中H是当前时间步长之后的特定视界。我们试图通过最小化损失来构造X和Y之间的映射函数F（·）。此外，我们对框架中使用的一些概念进行了如下定义。 定义1（图）。图包括一组表示传感器或路段的节点V和一组表示节点之间连接的边E。我们将图G的N个节点表示为G=（V，E），V∈ RN。 定义2（距离邻接矩阵）。邻接矩阵是图的几何特征，表示为A∈RN*N 。如果（vi，vj）∈ E，则Aij=c>0；如果（vi，vj）∉ E，则Aij=0。

共一段，九句 a.一-九句：模型框架及用到的算法 模型架构图如图1所示。道路网中交通节点之间的相似性在捕捉不同节点之间的潜在模式方面起着重要作用，其中具有高度相似性的节点可能表现出相似的交通模式。DTW方法用于测量时间步长范围内节点之间的相似性。另一个关键因素是道路网络上多个节点之间的相关性，其中一个节点的交通模式不仅受其历史和邻居的交通量的影响，还受网络中其他节点的影响。RobustSTL算法用于将节点流量数据分解为趋势和季节性。然后，使用皮尔逊相关系数计算每个分量之间的相关性。还计算了节点之间的距离，以丰富空间信息。生成对抗模型的开发包括一个生成器，该生成器学习数据分布并建模时空依存关系以预测未来流量，以及一个鉴别器，该鉴别器调整生成器并导致更好地学习数据表示，从而产生接近真实数据的准确预测。在生成器中，使用了三个不同的GCN和一个综合GCN，然后是GRU和自注意力，而鉴别器中使用了一个单一GCN，然后是GRU和自注意力。每个部分在下面的小节中进行了详细描述。 句型： … plays an important role in … …在…中起着重要作用 4.2. 邻接矩阵构造 共一段，六句 a.一-二句：交通数据挖掘的重要性。 交通数据挖掘是交通预测中的一项重要任务。它可以帮助推导和捕捉复杂的时空相关性。 b.三-六句：构建的三个邻接矩阵：相似邻接矩阵ASim、相关邻接矩阵ACor和距离邻接矩阵ADst 在本研究中，交通数据的结构遵循时间序列结构。因此，时间序列分析的各个实质性方面，如相似性、趋势性和季节性，被用来支持所提出的预测模型。在此基础上，我们构建了三个邻接矩阵，即相似邻接矩阵ASim、相关邻接矩阵ACor和距离邻接矩阵ADst，它们有助于图模型在一段时间内学习复杂模式。这基本上是使用SparseDTW方法[39]完成的，该方法测量不同节点的时间序列之间的相似性。此外，还使用了RobustSTL分解方法[40]，该方法将时间序列分解为趋势和季节成分，以及Pearson相关系数方法[41]，该方法测量两个时间序列之间的相关性。除此之外，道路网络中节点之间的距离在确定空间关系方面起着重要作用。因此，我们基于连接节点之间的距离构建了距离邻接矩阵ADst。 句型： It can aid in… 它可以帮助…

共四段 一段：两句 a.一-二句：相似邻接矩阵ASim定义 时间序列在不同时期的斜率通常表现出相似的波动。我们使用SparseDTW方法测量等式（1）中节点i和j的两个时间序列Si和Sj之间的相似性，其中ASimij=DTW（Si，Sj）。

二段：两句 a.一-二句：SparseDTW定义：确定两个时间序列的相似程度 SparseDTW: Sparse Dynamic Time Warping [39]是一种广泛使用的时间序列相似性度量方法。为了确定两个时间序列的相似程度，该方法启用了翘曲对齐并计算两个时间序列的时间点之间的距离。 三段：两句 a.一-二句：累积计算时间点之间的距离公式（基于最短路径） 设Si={Si1，Si2，…，SiP}和Sj={Sj1，Sj2，…，SjP}是具有P个时间步长的节点i和j的两个时间序列。Sit和Sjt是时间序列中时间步长t的两个点。它累积计算时间点之间的距离，如下所示。

四段：四句 a.一-四句：两个时间序列Si和Sj之间的DTW距离公式（基于最短路径） 首先，DTW计算Si和Sj中每两个时间点之间的欧几里德距离，并构造累积距离矩阵d。其次，它基于等式（2）构造翘曲矩阵d。最优路径也基于翘曲路径W计算，翘曲路径W是一系列相邻矩阵项，决定了Si和Sj之间的匹配。该路径使Si和Sj之间的总距离最小化。W={W1，W2，…，WK}，其中K是W中的项数，遵循特征max（|Si|，|Sj|）≤ K≤ （|Si|，|Sj|）。尽管存在许多翘曲路径，但DTW旨在检测使距离最小化的最佳路径。最后，两个时间序列Si和Sj之间的DTW距离公式如下。

句型： it constructs … based on … 它构造…基于… Despite the fact that …, …is intended to … 尽管……，……是为了……

共五段 一段：时间序列分解的定义及考虑因素：趋势、季节性 时间序列分解是分析历史序列随时间变化从而提供有助于预测未来序列的关键信息的强大工具。在时间序列分解中，通常考虑两个基本分量。第一种是趋势，它反映了数据的共同趋势，包括三种不同类型：下降趋势、上升趋势和恒定趋势。第二个是季节性，这是一个重复和可预测的特征。它以固定的时间间隔发生，因为根据数据结构可以是每天、每周或每月。从图2可以看出，高峰时段的交通速度每天都呈下降趋势，而高峰时段之后，交通速度每天都呈上升趋势。此外，交通速度在非高峰时段没有表现出显著变化，这可以被视为一个恒定的趋势。同样，很明显，存在每周季节性，第12天（星期四）的交通量在第19天（下一周的星期四）重复。 二段：RobustSTL定义 RobustSTL：基于LOESS的Robust季节趋势分解[40]是时间序列分析中一种强大且常用的方法，用于将时间序列分解为季节和趋势分量。由于交通数据包含周期性时间特征，该方法提供了有意义的见解，并改进了时间序列预测。从广义上讲，黄土被用于在两个回路中平滑时间序列：内部回路在季节和趋势平滑之间重复，而外部回路防止异常的影响。 三段：趋势相关性CTrd和季节性相关性CSes的定义 对于每个时间序列，RobustSTL的输出是趋势分解序列T={T1，T2，…，Tt，…，TP}和季节性分解序列L={L1，L2，…，Lt，…，LP}。我们使用皮尔逊相关系数计算公式（4）中时间序列i和j之间的趋势相关性CTrd和季节性相关性CSes，如下所示。

其中cov（T i，T j），cov（Li，Lj）分别表示趋势和季节协方差。σ表示标准差。 四段：最终的相关性邻接矩阵ACor需要经过哈达玛乘积运算 最后，将相关邻接矩阵计算为哈达玛乘积(⊙) 在趋势相关矩阵和季节性相关矩阵，其中ACor ij是节点i和节点j之间的相关性。

句型： it is obvious that… 显而易见… where it is utilized to deconstruct … into … 它用于将…解构为… Broadly speaking, 从广义上讲，

共一段 一段：距离邻接矩阵ADst的定义 根据[26]，我们通过计算交通节点之间的成对道路网络距离，在等式（6）中建立距离邻接矩阵。阈值高斯核用于构造该矩阵，并在等式（7）中表示。

其中，ADst ij表示节点i和节点j之间链路的权重。Dis（i，j）表示节点i和节点j之间的道路长度。ϑ是距离的标准偏差，ϵ是命令矩阵ADst稀疏性的阈值。

共一段 一段：TFGAN模型由一个生成器和一个鉴别器构成。 如图1所示，我们的TFGAN模型包括一个生成器和一个鉴别器。该生成器用于捕捉节点之间的空间相关性和时间依赖性，并生成未来的流量。然后将生成的流量与输入相结合以构建假样本，而真实样本是通过将输入与真实流量相结合来构建的。然后，将两个样本都输入鉴别器，该鉴别器旨在区分它们，并反向传播有助于训练过程的梯度。生成器和鉴别器交替迭代训练，直到生成器生成的流量与真实流量非常相似，鉴别器无法区分它们。在以下小节中，我们将解释每个部分的详细结构。 句型： As shown in… 如…所示 … are fed into the discriminator that aims to … …被送入旨在…的鉴别器

共八段 一段：节点之间的关系以及生成器模型 在本文中，道路网络有多个相互连接的节点，它们的交通模式受网络中节点之间的相关性的影响。因此节点之间的关系可以分为两种类型：（1）局部关系：其中节点的未来流量模式取决于节点以前的流量模式。（2） 全局关系：考虑其他节点，并且节点的未来流量模式受其他节点的流量模式影响。在这样的多元结构中捕捉潜在的相关性和依赖性是一个复杂而富有挑战性的问题。为了解决这个问题，我们的模型包括一个图3所示的生成器，该生成器旨在从各个方面捕获这些复杂的局部和全局时空相关性，并预测未来的流量。 句型： our model comprises …shown in …that aims to … 如图所示，我们的模型包括…，旨在于… capture these sophisticated …correlations from various aspects. 从各个方面捕捉……间复杂的相关性。

二段：道路网络中需要考虑的关键因素 道路网络中的相似性、相关性和节点之间的距离是理解空间和时间属性及其相关性的关键方面。因此，与大多数现有研究一样，我们的模型中使用了多个图来捕捉节点之间复杂的时空依赖关系，而不是简单地使用具有表示节点之间距离的邻接矩阵的单个图。它们的定义如下：相似图：在流量中，如果几个节点受到相似的流量条件，它们可能会经历相似的流量模式。在此基础上，测量并利用节点之间的相似性构建相似图，其中每个交通节点被视为图中的一个节点，每个边缘表示两个节点之间的相似性。该图将流量序列X={St−P、 St−P+1，…,St}，以及相似邻接矩阵ASim，该矩阵在等式（1）中使用等式中节点之间的DTW相似性度量构建。（2） 和（3）。GCN-SIM用于从相似性方面建模和提取图节点之间的相关性。 句型： … are crucial aspects of understanding … …是理解的关键方面… as in most existing studies 与大多数现有研究一样 三-八段：相关图、距离图、合成图、图卷积网络（GCN）、GRU和自注意力的概念及公式 相关图：在时间序列中，趋势和季节性是测量两个变量之间相关性时需要考虑的重要因素。季节性通常表示在特定时间段内重复出现的周期性模式（例如，每周或每月的季节性），而趋势则解释了季节性趋势分解的持续增加或减少。使用Pearson相关系数计算节点的时间序列组件（即趋势和季节性）之间的相关性，然后相互集成以构建等式（5）中的相关邻接矩阵ACor。然后，ACor与给定时间窗口内节点的时间序列数据一起传递到相关图（GCN-COR）。在该图中，每个节点代表道路网络中的一个交通节点，而两个节点之间的边缘等于它们之间的相关性值，该值使用等式计算。（4） 和（5）。 距离图：每个流量节点都可能受到网络中多个节点的影响，但彼此靠近的节点可能对彼此的影响大于那些遥远的节点。原因是同一区域中的节点可能共享相似的交通模式（例如，市中心拥挤区域中的交通节点与交通量高的同一区域中的附近节点具有稳健的相关性。而其与交通量低的其他区域中的远程节点的相关性较差）。在此基础上，构建了距离图（GCN-DST），其中每个交通节点表示图中的一个节点，两个节点之间的边缘表示它们之间的空间距离，计算公式（7）。 合成图：将之前的图集成到合成图（GCN-SYN）中。该图的重要性在于它能够捕捉节点之间的全局依赖关系，并对任何单个图都无法建模的隐式相关性进行建模。该图的合成邻接矩阵ASyn是通过使用元素和ASyn=ASim+ACor+ADst集成ADst、ASim和ACor矩阵而建立的。所有矩阵都使用最小-最大归一化在0和1之间归一化。 图卷积网络（GCN）：GCN具有强大的学习图表示的能力。在本文中，我们使用多个对应于不同邻接矩阵ASim、ACor和ADst的GCN，如图3所示，其中每个GCN都应用于输入矩阵，以从不同角度模拟节点之间的潜在空间相关性。然后，我们汇总这些图以提供更深入的表示。稍后使用带有ASyn矩阵的综合GCN来建模任何单个GCN都没有捕捉到的隐藏关系。为了降低计算复杂度，在我们的工作中，将谱公式应用于GCN，如下所示：

其中⊙ 是阿达玛积，χ（t）表示时间步长t处的输入矩阵。图拉普拉斯矩阵由∧A=I表示− D−1/2 AD−1/2，其中D∈ RN×N是度矩阵，I∈ RN×N是单位矩阵，A∈ RN×N是邻接矩阵。W（t）∈ RN×N是GCN的可训练权重矩阵，GC（t）表示在时间步长t提取的业务模式，Relu是激活函数。 GRU和自注意力：流量节点之间的时间依赖性是产生准确流量预测必须考虑的关键因素。因此，在我们的模型中，在每个图之后应用选通递归单元（GRU）和自注意力（SA），以增强模型捕捉节点之间局部和全局时间相关性的能力。首先，将时间步长t处的图形输出Ht馈送到GRU，其中Ht−1表示时间步长t处的隐藏状态− 1、复位门rt决定前一个单元状态是否为ht−1是重要的，而更新门ut确定是否应将单元状态ht替换为候选状态ct。单元的GRU计算过程如下：

使用自注意力来了解每个时间段的流量模式的重要性。它应用于GRU隐藏状态，如下所示。在[42]之后，使用两个MLP层作为评分函数βi，其在等式（13）中为每个节点计算。然后，使用等式（14）中的Softmax归一化索引函数来计算隐藏状态的权重αi。最后，注意力权重时间步长t处的γt在等式（15）中定义，其中i是节点数，P是时间步长数。

句型： On the basis of that, … is measured and utilized to construct … 在此基础上，……被衡量并用于构建… … is used to model and extract the correlations between … …用于建模和提取…之间的相关性 … are significant factors to be considered when measuring the correlation between … …是衡量…之间的相关性时要考虑的重要因素 The correlations between … are computed using … and then integrated with each other to… … 之间的相关性使用 … 计算，然后相互集成以…

共一段 一段：Discriminator结构描述 TFGAN中的鉴别器以两组样本作为输入，旨在确定哪个样本是真的，哪个样本是假的。给定历史流量X和真实未来流量（目标）Y，通过将X和Y连接为R=X来构造真实样本集R⊕ Y伪样本集F是通过将X与生成的未来流量Y连接为F=X来构建的⊕Y。然后，R和F被馈放入鉴别器。鉴别器的结构如图4所示。它包括GCN，然后是GRU和自注意力，以建模潜在关系，并将输入分类为真实或虚假。鉴别器的输出是实值，如果输入为“True”，则实值较高，如果输入为“False”，则实值较低。然后将鉴别器梯度反向传播到生成器，使其产生更准确和更真实的预测。在鉴别器中使用距离邻接矩阵作为GCN的邻接矩阵。 句型： …leading it to … …导致… …is used in … as… …用于…作为…

共三段 一段：LOSS函数比较 许多流量预测模型旨在最小化特定的损失函数，例如MSE损失。然而，强制步长级精度的损失函数在现实世界中的流量不确定性中不适用，导致性能较差。为了克服这个问题，我们提出了一种结合对抗性损失和MSE损失的对抗性训练过程。在对抗训练期间，我们的模型将能够学习真实数据的分布，因此其预测将尽可能接近真实数据。在监督训练期间，我们的模型将能够提取流量节点之间的时空关系，从而最小化预测和真实数据之间的MSE损失。通过与有监督和无监督目标的联合训练，模型的学习将更加有效，其预测精度将得到提高。

二段：损失函数选取与其定义 我们将TFGAN逆向训练为生成器G和鉴别器D之间的最小-最大博弈。等式（16）中G的损失函数旨在最大化D出错的概率。此外，将等式（17）中的均方误差损失添加到生成器中，以使生成的流量预测尽可能接近真实数据。等式（18）中D的损失函数被定义为使D在区分真实和虚假样本时做出正确决策的概率最大化。鉴别器梯度反馈给生成器，帮助生成器生成接近真实的预测。此外，为了学习模型参数，TFGAN的总体目标函数在等式（19）中定义。使用随机梯度下降更新参数，其中G和D交替训练直到收敛。首先，固定θG，优化θD。然后，在D的精度最大化后，固定θD并优化θG。损失函数公式如下：

三段：参数解释 其中b是批量大小。Y和Y分别是实际和生成的流量值。P（F）是生成的流量分布，P（R）是真实的流量分布。θG和θD分别是发生器和鉴别器的参数。λ是一个用于调整均方误差和敌方损失显著性的参数。 句型： minimize a particular loss function 最小化特定的损失函数 By jointly training with supervised and unsupervised objectives, the learning of the model will be … 通过与有监督和无监督目标联合训练，模型的学习将… …will be as close as possible to … …将尽可能接近… … is defined to maximize the probability of … …被定义为最大化…的概率 making the right decision in distinguishing between… 做出正确的决定来区分…