cnn和lstm融合常常用来时空建模任务。本文主要从交通流量预测《Modeling Spatial-Temporal Dynamics for Traffic Prediction》这篇论文入手，主要介绍时空网络（CNN+LSTM）的原理。

论文介绍：

时空预测在气候预报和城市规划等方面有着广泛的应用。特别是随着流量相关数据集的不断增长，时空预测在实际应用中越来越受到重视。 例如，准确的的士流量预测可以协助的士公司预测分配的士运营路线规划，以应付交通拥挤问题。特别需要注意到的是：流量预测的关键在于如何对复杂的时空依赖关系进行建模。

在论文中，作者提出了以下特征：

1、地理位置间的空间依赖是动态变化的。

2、时间依赖有很强的周期性，但由于时间的动态变换，其并不是严格的周期性。

在此基础上，文中作者提出了一个新的时空动态网络（Spatial-Temporal Dynamic Network，STDN）。该网络结果主要创新如下：

提出了一种流门机制（flow gating）来学习局部区域中的动态相似性。
设计了一种周期性转移的注意力机制来处理长期的周期依赖和周期性的时间转移。