城市区域嵌入的多图融合网络
提出了一种名为 Region2Vec 的多图表示学习框架,用于城市区域分析,可以捕捉地理上下文信号和区域间的联系,同时用于表示区域内部信息的知识图谱。使用编码器 - 解码器多图融合模块来联合学习综合表示。在现实世界数据集上的实验证明,Region2Vec 可以在三个应用程序中使用,并优于所有其他基线。特别地,Region2Vec 在具有高方差社会经济属性的区域中的表现优于先前的研究。
Feb, 2022
我们提出了一种融合不同黎曼流形嵌入的图神经网络 (FMGNN) 架构,通过选择地标和几何核心集使不同流形之间的顶点嵌入通过不同流形之间的距离相互作用和对齐,进而在顶点分类和链路预测任务方面取得了比强基线更优秀的表现。
Apr, 2023
提出了一种基于图卷积网络和深度聚类方法的多模式乘客流预测框架(MPGCN),该框架从定点巴士记录数据中提取人类移动知识,以预测巴士乘客流量和优化路线,实验结果表明该方法具有潜在的实际应用价值。
Feb, 2022
利用移动智能手机进行用户位置追踪,在低规格的惯性测量单元(IMUs)内存在无法预测的错误,因此不能单独使用,而需要与另一种定位技术(如 WiFi 定位)进行集成。本文提出了一种新的集成技术,使用名为 Mobility-INduced Graph LEarning(MINGLE)的图神经网络,它基于捕捉不同用户移动特征生成的两种类型的图。经过实地实验验证,MINGLE 相比基准模型显示出更好的定位精度,半监督和自监督学习情况下的均方根误差(RMSE)分别为 1.398 米和 1.073 米。
Nov, 2023
本文研究了基于图卷积网络的多模态机器学习模型,通过引入多模态互动机制,去增强多模态协调表示的学习能力,从而在预测准确性、训练效率、可解释性和模型鲁棒性等方面,优于现有的基准模型。
May, 2019
本文提出了一种新的多时空融合图循环网络 (MSTFGRN) 用于交通预测,该网络提出了一种数据驱动的加权邻接矩阵生成方法以弥补预定义邻接矩阵无法反映实时空依赖性的缺陷,还通过在不同时刻的并行空时关系上执行新的双向时空融合操作来高效学习隐藏的空时依赖关系,并通过在空时融合模块中整合全局注意机制来同时捕获全局时空依赖性,实验结果表明,与其他交通预测技术相比,该方法在四个大规模真实世界交通数据集上实现了最先进的性能。
May, 2022
该研究提出了一种基于节点掩蔽和多粒度消息传递的联邦图模型来解决时空预测中的隐私和安全问题,该模型的实验结果表明在两种不同的场景中得到了最佳结果。
Oct, 2022
本研究提出了一种新的框架,即 SpatioTemporal-Augmented gRaph 神经网络(STAR),以建模地点的动态时空影响和优化人类移动轨迹的生成过程,结果优于现有最先进的方法。
Jun, 2023
本文提出了一种名为 Deep Multi-Graph Embedding (DMGE) 的新颖模型,它使用图神经网络和多源数据学习,以适应大规模项目内嵌物的数据稀疏性问题和领域间信息迁移问题。实验结果表明,DMGE 比其他现有的嵌入方法在各种任务中表现更好。
May, 2019
本文提出了一种基于多图卷积网络 (MGCN) 的三维人体姿势预测方法,该方法结合自然结构和序列注意力,同时捕获空间和时间信息,并在人体运动预测的基准数据集上表现出比现有方法更好的效果。
Apr, 2023