1. 选择数据集

这里的节点是指站点，比如杭州地铁有80个站点；数据大致长下面样子

2. 选择模型

这篇论文使用的核心模型是 TGCRN，全称是：Time-aware Graph Convolutional Recurrent Network（时间感知图卷积循环网络）
模型的输入就是上面第1节的图片2那张表！输出是“预测时间点时，各节点的流量”。

3. 对比算法

Central：把所有数据集中起来训练

FLoS：不上传原始数据，但使用固定交通关系图（与本文方法相比，没有体现实时变化关系的特性）。

FedGTP：尝试学习客户端之间的关系，但主要是静态关系（和FLoS类似，节点之间关系不变）

FedSTGD：本文方法，学习动态的客户端间关系
还有一堆其它乱七八糟的，就不写了……

4. 评价指标

有 3个评价指标：
RMSE：均方根误差；
MAE：平均绝对误差；
MAPE：平均绝对百分比误差。

5. 模块分解

联邦非线性计算分解模块（FNCD）

图节点嵌入增强模块（GNEA）

6. 实验（图）

6.1 图1解释

（a）不同日期的交通节点关系会变化
横轴和纵轴是不同的交通节点编号，例如 14、30、34、38、47、53、56、64、68、69。这里的节点可以理解为杭州地铁中的不同地铁站。每个小方格表示两个地铁站之间的空间依赖关系。颜色越明显，表示两个节点之间的交通联系越强或越明显。【地铁站之间的交通关系不是固定不变的，而是会随着星期和时间变化。】
（b）把交通节点分给不同客户端
针对杭州的数据集，把这数据集分成3个客户端，实线代表客户端内部的空间依赖关系；虚线代表不同客户端之间的空间依赖关系。
（c）FedSTGD 和其他方法的预测效果比较，rmse是预测误差，越小越好；
（d）FedSTGD 的联邦非线性计算分解方法，和其他方法使用的 AdptPoLU 非线性近似方法。【证明第5章节模块1】
x轴：k=2、k=3、k=4 表示 AdptPoLU 使用的多项式近似阶数；FedSTGD 表示本文方法使用的 FNCD 联邦非线性计算分解模块。
y轴：3个误差与运行时间，都是越小越好。
这张图要详细讲下非线性关系是什么东西，先讲下线性关系

非线性就是更复杂一点的，客流变化与其它站点的不是成比例！
（e）主要是用来验证图节点嵌入增强模块 GNEA 到底有没有用。【第5章节模块2】
x轴：集中学习（参考上限）；w/o GNEA（去掉模块）；FedSTGD（使用模块）
y軕：一堆误差，都是越小越好……

6.2 图2解释

左边3个：其实就是第5章节的2个模块。

中间那3层，第一层与第三层对应那2个模块的详细解读
第二层就是联邦流程……

6.3 图3解释

一个参数敏感性分析图。它想研究：FedSTGD中的一些设置改变后，预测效果会不会发生明显变化。
研究参数有3个：客户端数量，神经网络中负责处理复杂变化的计算部件，数据非独立程度（左边使用HZMetro数据集，右边使用NYC-Taxi数据集）
（ab）比较了使用 2个、4个、8个客户端时的效果。
（cd）使用不同计算部件时的影响。

（ef）不同数据非独立程度的影响

7. 实验（表）

7.1 表1解释

HZMetro：杭州地铁，包含80个地铁站，每15分钟记录一次数据，时间范围是2019年1月1日至1月25日，数据规模为2.35M。
SHMetro：上海地铁，包含288个地铁站，每15分钟记录一次数据，时间范围是2016年7月1日至9月30日，数据规模为811.8M。
NYC-Bike：纽约共享单车，包含250个单车站点，每30分钟记录一次，时间范围是2016年4月1日至6月30日，数据规模为30.7M。
NYC-Taxi：纽约出租车，包含266个出租车统计区域，每30分钟记录一次，时间范围同样是2016年4月1日至6月30日，数据规模为35M。