张量时间序列网络
TimeGNN 是一种学习动态时间图表示的方法,能够捕捉多个系列的相关性和交互模式的演变,并在预测性能方面实现比其他先进的基于图的方法快 4 到 80 倍的推理时间。
Jul, 2023
通过引入 Temporal Graph Learning Recurrent Neural Network (TGLRN) 模型,我们可以动态地构建每个时间步长的图形,从而准确地预测交通流量,并通过边采样策略进一步提高模型的性能。
Jun, 2024
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
本文提出了一种基于张量图卷积网络的动态图表示学习模型,通过在张量乘积的基础上设计张量图卷积网络来同时建模时空特征,实验结果表明我们的模型获得了最先进的性能。
Jan, 2024
提出了一种名为 Time-aware Graph Convolutional Recurrent Network (TGCRN) 的统一框架,通过 Time-aware Graph Structure Learning (TagSL) 和 Graph Convolution-based Gated Recurrent Unit (GCGRU) 在编码器 - 解码器结构中联合捕捉空间和时间依赖关系,用于多步骤的时空预测。实验证明,TGCRN 能够推进现有技术的发展,并提供了详细的消融研究和可视化分析,深入揭示了时间感知结构学习的有效性。
Dec, 2023
本研究提出了基于 CNN 的时空图形框架 GraphTCN,通过将空间交互作为社交图形进行建模,并使用修改的时间卷积网络来捕捉时空交互。实验结果证实,该模型在各种轨迹预测基准数据集上实现了更高的性能和更高的准确性。
Mar, 2020
提出了一种结构时间序列模型 TGCN,其利用定位在患者头皮上的电极的相对位置信息进行特征提取操作,实现了全局特征和局部特征的结合,该模型在癫痫检测中的表现不逊于其他相关模型并具有良好的可解释性。
May, 2019
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
该研究提出了一种面向多变量时间序列数据的图神经网络框架,采用图学习模块提取自动生成的变量之间的关系,同时运用新颖的混合传递和膨胀创新层捕捉时间序列中的空间和时间相关性,而这些模块被联合学习在一个端对端框架中。实验结果表明,该模型的性能在 3 个基准数据集上优于现有最先进方法,并在提供额外结构信息的两个交通数据集上实现了与其他方法相当的性能。
May, 2020