Mar, 2019

ST-UNet: 用于图结构时间序列建模的时空 U 型网络

PDF
TL;DR文章讲述了设计一种新的多尺度体系结构，Spatio-Temporal U-Net（ST-UNet），用于图形结构的时间序列建模。该模型可有效地捕获多个尺度的综合特征，并在多个真实世界数据集上实现了显着的改进。
spatio-temporal graph learningmulti-scale architecturestructured datatemporal patternsreal-world datasets
发现论文，激发创造
  • 超 ST-Net：用于时空预测的超网络

    本文提出了一种基于 hypernetworks 的通用框架 HyperST-Net，用于深度学习的空间 - 时间数据，包括空间模块、时间模块和推理模块，通过在神经网络中设计不同类型的 HyperST 层，本文将其应用于三种不同的真实世界任务，并取得了显著的改进。

    Sep, 2018

  • 使用图神经网络进行交通预测的统一时空建模

    本文提出了一种统一的 Spatio-Temporal Graph Convolution Network (USTGCN) 模型用于交通预测，该模型具有通过频谱计算实现的时空图表达和历史模式的捕捉等优点，并在实验中证明了其超越了现有模型，同时减少了培训时间。

    Apr, 2021

  • 增强图形 U-Nets 用于不受网格维度和时空流预测

    该研究致力于克服基于卷积神经网络的传统深度学习方法在复杂几何形状和非结构化网格方面的局限性，提出了改进图形 U-Net 体系结构的新方法，包括高斯混合模型卷积算子和噪声注入方法，这些方法使得在不同网格配置上能够准确预测流场的时空变化。研究还探讨了图形 U-Net 在转导学习和归纳学习方面的应用，并发现无池化操作的图形 U-Net 在归纳学习中表现更好，而归一化技术的选择对图形 U-Net 的性能也有显著影响。

    Jun, 2024

  • StNet：行动识别的局部和全局空时建模

    本文提出了一种新的空时网络（StNet）架构来进行局部和全局的空时建模，通过将 N 个连续的视频帧堆叠成一个超级图像，并对超级图像应用二维卷积来捕获局部空时关系，再对局部空时特征映射应用时间卷积来建模全局空时关系，该方法在动作识别方面优于现有技术，也在模型复杂度和准确度之间取得了理想的平衡，实验结果表明该方法可以广泛应用于视频表示的学习。

    Nov, 2018

  • 时空图卷积网络：用于交通预测的深度学习框架

    本文提出一个基于图卷积神经网络（STGCN）的深度学习框架来预测交通领域的时间序列问题，该模型可以更快地训练少量参数，通过建模多尺度交通网络，有效地捕捉了全面的时空相关性，并在各种真实世界的交通数据集上不断超越现有最先进的基线模型。

    Sep, 2017

  • 深度时空图建模的图卷积网络 (Graph WaveNet)

    本文介绍了一种新型的图神经网络，Graph WaveNet，它采用了自适应依赖矩阵和扩张卷积组件，能够精确捕捉数据中的隐藏空间依赖关系和处理非常长的时间序列，通过在两个公共交通网络数据集中的实验结果，证明了我们算法的优越性。

    May, 2019

  • 多元时间序列数据的全连接时空图

    提出了一种名为全连接时空图神经网络（FC-STGNN）的新方法，通过将传感器之间的相关性考虑为不同时间戳下的相关性，来全面建模多元时间序列数据中的时空依赖关系，并有效地捕捉和学习有效的表示，实验证明其在多个多元时间序列数据集上相对于其他方法具有有效性。

    Sep, 2023

  • 交通流量预测的时空转换网络

    本文提出了一种新的空间 - 时间变换网络的范例来改善长期交通预测的准确性，其中使用图神经网络和自注意机制来动态建模交通数据中的有向空间相关性，并利用跨多个时间步骤的长程双向时间依赖性。实验证明，该模型在 Real-world 数据集上预测交通流量方面的性能要好于现有工作。

    Jan, 2020

  • 基于时空融合的图神经网络用于交通流量预测

    本文提出一种名为 STFGNN 的基于图神经网络的交通流预测模型，结合空间和时间各种图的融合操作，以及门控卷积模块来处理长序列，实现了比其它基线更好的性能。

    Dec, 2020

  • SST-GNN: 基于图神经网络的简化时空交通预测模型

    本文提出了一种称为简化空时交通预测 GNN 的模型，它通过对不同邻域进行分别聚合的方式有效地编码了空间依赖性，并使用简单而有效的加权空时聚合机制捕获时间依赖性，而且使用了一种新颖的位置编码方案来捕获周期性的交通模式，实验表明该模型优于最先进的交通预测模型。

    Mar, 2021