基于时空超图自监督学习的犯罪预测
本文提出了一个能够共同编码复杂犯罪空间和时间模式以及不同类别犯罪语义关系的空间 - 时间序列超图网络,该网络采用超图学习范例,设计图结构信息传递架构,并引入多通道路由机制。通过实验证明了该方法的较强预测性能。
Jan, 2022
本文提出了一种新的 Spatio-Temporal Self-Supervised Learning (ST-SSL) 交通预测框架以解决现有方法中存在的空间异质性和时间异质性问题,其中结合了时间和空间卷积以及自我监督辅助任务,实验结果表明,该方法在四个基准数据集上表现良好而且可适用于其他时空应用。
Dec, 2022
该研究提出了一种名为 GraphST 的空间 - 时间图学习模型,采用新的自监督学习方法以及跨视图对比学习方法,提高了模型中多视图信息的利用和处理,使其在空间 - 时间预测任务方面表现出了卓越的性能。
Jun, 2023
研究使用深度学习的 ST-ResNet 预测洛杉矶地区的实时犯罪分布,通过对原始犯罪数据进行空间和时间的正则化处理,采用细节残差卷积单元的层次结构来训练多因素犯罪预测模型,实验证明了该模型具有高度准确的预测能力。
Jul, 2017
针对数据稀缺的城市,在跨城市知识转移的基础上,提出了一个面向时空图的模型不可知少样本学习框架 ST-GFSL,用于从城市之间不规则的时空相似性中提高特征提取的质量,重构图结构以实现结构感知学习并提高交通速度预测的准确性。
May, 2022
利用混合 Transformer 和时空自监督学习的模型来提高长期交通预测的鲁棒性,该模型通过在交通数据的序列级和图级应用自适应数据增强技术来增强其鲁棒性,利用 Transformer 克服了循环神经网络在捕捉长期序列方面的局限性,并采用 Chebyshev 多项式图卷积来捕捉复杂的空间依赖关系。此外,考虑到时空异质性对交通速度的影响,我们设计了两个自监督学习任务来建模时空异质性,从而提高模型的准确性和泛化能力。在两个真实数据集 PeMS04 和 PeMS08 上进行了实验评估,结果进行了可视化和分析,证明了所提模型的卓越性能。
Jan, 2024
本文提出了使用超图对睡眠阶段进行分类的动态学习框架 STHL,它能够同时考虑多模态数据的异质性、互动性以及时空相关性,相比现有模型,在睡眠阶段分类任务中具有更好的性能。
Sep, 2023
本文研究了交通流预测问题,通过建模交通网络和过去的交通状况来预测未来的交通情况。为了解决现有方法在复杂交通网络中表现不佳的问题,本文提出了一种名为动态超图结构学习 (DyHSL) 的新模型,该模型通过提取超图结构信息来学习非成对关系,并通过聚合来自关联超边的消息来更新每个节点的表示。为了捕捉道路网络中的高阶时空关系,介绍了互动图卷积块,进一步模拟每个节点的邻域交互。最后,将这两个视角整合到一个综合的多尺度相关性提取模块中,该模块通过不同尺度的时间池化来建模不同的时间模式。对四个流行的交通基准数据集进行了大量实验证明了我们提出的 DyHSL 与广泛的竞争基准相比的有效性。
Sep, 2023
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
本研究使用空间时间残差网络预测了洛杉矶不同区域在小时层面的犯罪分布情况,通过和其他预测方法的比较证明了其更高的准确度,并提出使用三值化技术解决实际资源短缺的问题。
Nov, 2017