STGym：一种用于时空网络的模块化基准框架，包含交通预测方面的调查与案例研究

《IEEE Transactions on Big Data》：STGym: a Modular Benchmark for Spatio-Temporal Networks with a Survey and Case Study on Traffic Forecasting

时空模型模块化基准测试平台STGym的构建与应用，通过标准化训练评估流程和模块化设计促进模型间比较，以交通预测为例验证18种模型并分析关键参数，提供代码资源

　　

摘要：

时空领域的快速发展催生了大量新型模型。这些模型通常可以分解为不同的模块，例如各种类型的图神经网络和时间网络。值得注意的是，许多模型具有相同或相似的模块。然而，现有文献往往依赖于零散且自建的实验框架。这种碎片化现象阻碍了对模型之间相互关系的全面理解，并由于训练和评估过程的不一致性，使得公平比较变得困难。为了解决这些问题，我们推出了时空健身房（Spatio-Temporal Gym，简称STGym），这是一个创新的模块化基准平台，用于探索各种时空模型，并支持开发者的研究工作。STGym的模块化设计便于深入分析模型组件，并促进现有方法的无缝采用和扩展。通过标准化训练和评估过程，STGym确保了结果的可重复性和可扩展性，从而实现了不同模型之间的公平比较。在本文中，我们以交通预测为例（这是时空领域一个热门的研究课题），来展示STGym的能力。我们的详细研究系统地利用了STGym的模块化框架，将关键模块组织到各种模型中，从而更深入地理解它们的结构和机制。我们还在六个广泛使用的交通预测数据集上评估了18个模型，并分析了关键超参数对性能的影响。这项研究为开发者和研究人员提供了宝贵的资源和见解。源代码可访问：https://github.com/JW-Shen/STGym。