Forecaster:用于预测时空相关数据的图转换器
利用 GraphTransformers 框架,在地理空间序列中进行轨迹预测,通过显式利用自动生成的图结构,可以显著改善地理空间轨迹预测。在 HurDAT 数据集上,我们的 GraphTransformer 方法明显优于基于 Transformer 的基准方法,用于基于 6 小时为间隔的飓风轨迹预测。
Oct, 2023
本研究提出了 Traffic Transformer 模型,通过多头和掩码多头机制,动态地从数据中抽取时空特征,提高了交通预测性能,比现有技术表现更好。
Apr, 2021
提出了一种名为 GTrans 的时空模型,该模型将数据特征转换为图嵌入,并使用变压器模型预测时间动态,并能够对极端事件进行预测,可在社交网络,道路交通,物理和化学属性预测等领域应用。
Jan, 2022
本研究使用图神经网络和不同的 Transformer 架构,探讨风速预测的时空依赖性,提出了 Fast Fourier Transformer 和 Autoformer 架构,使用这些架构的模型在时空预测上的表现优于其他模型。
Aug, 2022
本研究提出了一种完整的解决方案,包括特征提取和目标预测,旨在解决多变量长期时间序列预测中的空间特征提取和不同预测时期的一致性问题。新的方法称为 “时空编码串联变压器(Stecformer)”,其采用高效的时空编码提取器和级联解码预测器来改善基线模型的性能,并在五个基准数据集上实现了与基线模型可比较的最先进性能。
May, 2023
ForecastGrapher 是一个框架,将多变量时间序列预测重新构想为节点回归任务,通过生成自定义节点嵌入、构建自适应邻接矩阵和增强节点特征分布的表达能力,引入 GFC-GNN 模型来捕捉复杂的时间动态和跨序列的相关性,通过大量实验证明其在多变量时间序列预测领域超过了强基线和领先的已发表技术。
May, 2024
提出了一个多通道时空变换模型用于交通流量预测,通过融合来自不同通道的交通数据结果,改善了预测准确性。该模型使用图卷积网络从每个通道提取空间特征,并使用基于变换器的体系结构捕捉通道之间的时间依赖性。在六个真实数据集上的实验证明,引入多通道机制到时间模型中提高了性能,并且在准确性方面优于现有模型。
May, 2024
提出了一个用于交通流量预测的增量学习方法,通过设计一种空间自注意模块和时间自注意模块,同时利用空间 - 时间图转换器捕捉交通流量数据中的空间和时间依赖关系,并通过空间 - 时间知识蒸馏模块进行增量学习。
Oct, 2023
Caformer 是一种从因果性角度进行时间序列分析的新框架,该框架包括动态学习器、环境学习器和依赖关系学习器,能够有效地捕捉跨维度和跨时间的依赖关系,并解决环境因素引起的伪相关问题。该方法在长期和短期预测、补全、分类和异常检测等五个主流时间序列分析任务中表现出一致的最先进性能和合适的解释性。
Mar, 2024