IJCAIMay, 2019

深度时空图建模的图卷积网络 (Graph WaveNet)

PDF
TL;DR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。
spatial-temporal graph modelinggraph neural networkadaptive dependency matrixdilated 1d convolutiontraffic network datasets
发现论文，激发创造
  • 可扩展的时空图神经网络

    本文提出了一种可扩展的体系结构，利用随机循环神经网络将输入时序的历史数据嵌入到高维状态表示中，并利用不同幂次的图相邻矩阵沿空间维传播以生成节点嵌入，从而实现多尺度的时空特征表示，我们的方法在保证结果竞争力的同时，大大降低了计算负担。

    Sep, 2022

  • 结构化递归神经网络：时空图上的深度学习

    本文提出了一种结合高级时空图和序列学习成功的递归神经网络（RNN）的方法，通过将任意时空图转化为丰富的 RNN 混合物来提高模型性能，适用于模拟人类运动到对象交互等多种问题领域。

    Nov, 2015

  • 采用图网络和时序引导嵌入的时空数据需求预测

    本研究提出了一种名为 TGNet 的新的需求预测模型，它集成了图网络和时间导向嵌入，能够高效提取复杂的时空模式，并在其三个实际数据集中取得了与基线模型相当的预测表现，在参数数量上却大幅节省。

    May, 2019

  • 基于图形的深度建模和稀疏时空数据实时预测

    提出了一个通用的时空数据建模、分析和预测框架，重点关注空间和时间都稀疏的数据。该框架由自激励点过程和图结构循环神经网络两个组成部分无缝耦合，并实现了更精准的实时预测，针对犯罪和交通预测具有良好的效果。

    Apr, 2018

  • 图波神经网络

    我们提出了一种图波形神经网络（GWNN），通过使用图小波变换来解决以往依赖于图傅里叶变换的图谱卷积神经网络（CNN）方法的缺点，这些方法需要进行高计算成本的矩阵特征分解。与图傅里叶变换不同的是，图小波变换可以通过快速算法获得，无需矩阵特征分解。此外，图小波在顶点域中稀疏且局部化，可以提供高效性和良好的图卷积可解释性。经过实验，GWNN 在三个基准数据集上均明显优于以往的图谱 CNNs，在图半监督分类任务上具有更好的性能。

    Apr, 2019

  • 谱时图神经网络在时间序列预测中的表现能力

    本文建立了一个理论框架，阐明了光谱 - 时域 GNN 表达能力的基础，结果表明线性光谱 - 时域 GNN 在温和假设下是通用的，基于我们的框架，我们提出了一个名为 TGC 的简单实例，在模型效率和准确性方面显著优于绝大部分现有模型。

    May, 2023

  • 基于图神经网络的时空数据处理：方法与应用

    文章介绍了大数据背景下基于图神经网络的空时数据建模和应用，系统地概述了从构建空时图到使用不同神经网络算法进行数据处理和分析的过程，并总结了当前研究的技术和应用，进一步探讨了未来的研究方向和挑战。

    May, 2023

  • 全球感知增强的时空图循环网络：交通流预测的新框架

    该论文介绍了一种新颖的交通预测框架，它包括两个核心组件：空间 - 时间图递归神经网络和全局感知层。通过引入序列感知图神经网络，该模型可以学习不同时间步骤上的非固定图并捕捉局部时间关系。为了增强模型的全局认知，该框架还设计了三种独特的全局空间 - 时间转换器架构。在四个实际交通数据集上进行的广泛实验证明了我们框架和三种具体模型的优越性。

    Jan, 2024

  • 基于时间图的 3D 图卷积网络：交通流量预测中的一种空间信息自由框架

    本文提出了一个新的深度学习框架，名为 3D-TGCN，它通过与传统空间信息不同的方式构建道路图，并提出了一个 3D 图卷积模型来更准确地模拟时空数据，并在实证结果中取得了优于现有基线的未来交通预测精度。

    Mar, 2019

  • HGWaveNet: 一种用于时间链路预测的双曲线图神经网络

    本文提出了基于超几何几何的 HGWaveNet 神经网络，该网络有效利用了超几何空间与数据分布的契合性进行时序边预测，通过设计 2 个关键模块，分别学习空间和时间信息，应用于保留了整个数据流中的分层结构信息，实现了对 6 个实际数据集的超几何拟合，将时序预测的 AUC 相对提高了高达 6.67%。

    Apr, 2023