面向全国城市空气质量预测的群体感知图神经网络
本文提出了一种可扩展的图注意力网络(EGAT)模型,它从现有和新添加的基础设施中收集数据,并适用于具有不断变化的空间结构的情景,用于空气质量预测模型中。
Jul, 2023
本研究提出了一种基于层次图神经网络的空气质量预测方法 HighAir,采用编码器 - 解码器结构,并考虑了天气和土地利用等复杂的影响因素,动态调整边缘权重以建模动态因素与空气质量的相关性,实验结果表明 HighAir 显著优于其他方法.
Jan, 2021
使用 Spatiotemporal Graph Convolutional Recurrent Neural Network 模型,结合 GCN 框架和 RNN 结构进行空气质量预测,相较于目前最先进的 ConvLSTM 模型具有更好的性能,并且参数数量更少;在实际空气污染数据集中优于混合 GCN 方法。
Apr, 2023
本研究提出了一种用于空气质量预测的动态图神经网络,使用自适应边属性进行边信息传递,并通过端到端训练获取自适应边信息,从而提高模型表现。
Feb, 2023
本文提出一种基于图的 PM2.5-GNN 模型来预测 PM2.5 浓度,能够捕捉 PM2.5 过程中的细粒度和长期影响,并已在真实数据集上得到验证,可提供免费预测服务。
Feb, 2020
提出了一种双视图超网格感知图神经网络(DSGNN)用于区域空气质量估计,通过对远程网格区域的空间依赖性进行建模,实现了在无空气质量监测站的情况下估计目标区域的空气质量。
Apr, 2024
本文提出了 Multi-adversarial spatiotemporal recurrent Graph Neural Networks(MasterGNN)模型,通过模型化空气质量和气象监测站之间的时空自相关性,并采用多元对抗图学习框架来预测城市内的空气质量和天气,并将多元对抗学习作为多任务学习来解决观察噪声扩散的问题,实验表明 MasterGNN 在空气质量和气象预测任务中表现最佳。
Dec, 2020
该研究提出了一种基于深度学习的新型空气质量(主要是 PM2.5)预测模型,该模型能够通过卷积神经网络和双向 LSTM 混合框架学习空气质量相关时间序列数据的空间 - 时间相关性特征和多元相关性特征,并在两个实际数据集上进行了实验验证,表明该模型能够以较高的准确性进行 PM2.5 空气污染预测。
Dec, 2018
该研究探讨了在智能交通系统中交通预测领域中图神经网络的应用。研究比较并分析了三种主要的 GNN 体系结构:图卷积网络(Graph Convolutional Networks),图采样和聚集(Graph Sample and Aggregation)以及门控图神经网络(Gated Graph Neural Networks)。研究结果显示,GGNNs 是三个模型中最有效的选择,通过均方根误差和平均绝对误差(MAE)展现了预测性能,GCNs 的均方根误差为 9.10,平均绝对误差为 8.00,而 GraphSAGE 显示出改进,均方根误差为 8.3,平均绝对误差为 7.5。门控图神经网络(GGNNs)表现出最低的均方根误差,为 9.15,令人印象深刻的平均绝对误差为 7.1,使其成为最佳选择。
Oct, 2023
本文提出自适应图卷积循环神经网络 AGCRN,其中包括两个自适应模块(节点自适应参数学习模块和数据自适应图生成模块),用于捕捉交通时间序列数据中的空间和时间相关性。实验结果表明,AGCRN 在不需要预先定义空间连接图的情况下显著优于现有的相关方法。
Jul, 2020