使用图网络和新型 Transformer 架构进行时空风速预测

Aug, 2022

使用图网络和新型 Transformer 架构进行时空风速预测

Spatio-Temporal Wind Speed Forecasting using Graph Networks and Novel Transformer Architectures

Lars Ødegaard Bentsen, Narada Dilp Warakagoda, Roy Stenbro, Paal Engelstad

TL;DR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。

Abstract

This study focuses on multi-step spatio-temporal wind speed forecasting for the Norwegian continental shelf. The study aims to leverage spatial dependencies through the relative physical location of different measurement stations to improve local wind forecasts. Our multi-step forecast

wind forecasting spatio-temporal graph neural network transformer architecture fast fourier transformer

发现论文，激发创造

利用图注意力和频率增强机制提高短期风速预测的准确性

本文提出了一种基于图注意力和频率增强机制的图注意力频率增强时空风速预测模型 (GFST-WSF)，该模型采用变压器架构进行时间特征提取，并采用图注意力网络 (GAT) 进行空间特征提取，从而提高短期风速预测的准确性。在案例研究中，GFST-WSF 在 6-24 小时预测范围内的风速预测中表现出比其他基线更好的性能。

May, 2023

基于分层时空 Transformer 的长期风力预测

本文提出了一种新的基于 Transformer Network 的 Hierarchical Spatial-Temporal Transformer Network（HSTTN）模型，利用空间和时间特征增强长期风力发电预测。实验结果表明，该模型性能优于现有解决方案。

May, 2023

交通流预测的自适应图空时转换网络

该论文提出了一种基于自适应图形时空网络和 Transformer 的交叉空间时间注意力机制，在流量预测上的实验结果表明其具有更优秀的性能。

Jul, 2022

GTrans: 带有图嵌入的时空自回归变换器用于极端事件的实时预测

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

Windformer: 风速预测的双向长距离时空网络

该研究提出了一种名为 Windformer 的方法，通过将风力涡轮群体分为多个非重叠的窗口并计算窗口内的相关性，然后部分移动窗口以提供窗口之间的连接性，并最终基于详细和全局信息融合多通道特征，以动态建模风速变化过程。这种方法在提高预测准确性方面相较于目前其他先进方法，平均均方误差 (MSE) 能减少 2 到 15 个百分点。

Nov, 2023

交通流量预测的时空转换网络

本文提出了一种新的空间 - 时间变换网络的范例来改善长期交通预测的准确性，其中使用图神经网络和自注意机制来动态建模交通数据中的有向空间相关性，并利用跨多个时间步骤的长程双向时间依赖性。实验证明，该模型在 Real-world 数据集上预测交通流量方面的性能要好于现有工作。

Jan, 2020

使用 Transformer 学习动态和分层交通时空特征

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

深度预测：基于深度学习的时空预测

本文利用深度学习与循环神经网络算法，提出一种时空风速预测模型，并利用其进行风能预测。研究结果表明，该模型不仅可以显著提高短期预测水平，同时可以模拟并预测获得更多数据的实体之间的相互作用。

Jul, 2017

一种用于多步风力预测的并行 CNN-RNN 方法

本文提出了一种融合卷积神经网络和循环神经网络的 CNN-RNN 结构，使用来自地理网格多个点的气象数据和风电场的时间信息进行日前风电预测，并在全球预测中取得了较好的结果，与传统模型相比，更好的实现了空间特征提取。

Jan, 2023

FourierGNN：从纯图角度重新思考多元时间序列预测

直接应用图网络并从纯图的角度重新审视多元时间序列（MTS）预测，定义了一种新的数据结构 —— 超变量图（hypervariate graph），以滑动窗口作为时空全连接图，从而统一考虑时空动态并重构经典 MTS 预测为在超变量图上的预测。通过在傅里叶空间执行矩阵乘法的傅里叶图神经网络（Fourier Graph Neural Network，FourierGNN）架构，实现了更低的复杂性、更高的效率和较少参数，从而取得了卓越的预测性能。

Nov, 2023