可扩展的时空图神经网络

AAAISep, 2022

Scalable Spatiotemporal Graph Neural Networks

Andrea Cini, Ivan Marisca, Filippo Maria Bianchi, Cesare Alippi

TL;DR本文提出了一种可扩展的体系结构，利用随机循环神经网络将输入时序的历史数据嵌入到高维状态表示中，并利用不同幂次的图相邻矩阵沿空间维传播以生成节点嵌入，从而实现多尺度的时空特征表示，我们的方法在保证结果竞争力的同时，大大降低了计算负担。

Abstract

neural forecasting of spatiotemporal time series drives both research and industrial innovation in several relevant application domains. Graph neural networks (GNNs) are often the core component of the forecastin

neural forecasting graph neural networks spatiotemporal time series scalable architecture recurrent neural network

发现论文，激发创造

通过脉冲神经网络扩展动态图表示学习

介绍一种名为 SpikeNet 的可扩展框架，它旨在使用脉冲神经网络（SNNs）而非循环神经网络（RNNs）来捕获时变图的时变和结构模式，SpikeNet 在计算成本更低的情况下在时态节点分类任务上超过了强基线，并具有更少的计算负担。

Aug, 2022

结构化递归神经网络：时空图上的深度学习

本文提出了一种结合高级时空图和序列学习成功的递归神经网络（RNN）的方法，通过将任意时空图转化为丰富的 RNN 混合物来提高模型性能，适用于模拟人类运动到对象交互等多种问题领域。

Nov, 2015

TimeGNN：时间序列预测的时间动态图学习

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

GEANN：用于多时域时间序列预测的可扩展图增强技术

使用图神经网络作为数据增强来改善编码器，在冷启动产品的需求预测中取得明显的收益。

Jul, 2023

基于图神经网络的时空数据处理：方法与应用

文章介绍了大数据背景下基于图神经网络的空时数据建模和应用，系统地概述了从构建空时图到使用不同神经网络算法进行数据处理和分析的过程，并总结了当前研究的技术和应用，进一步探讨了未来的研究方向和挑战。

May, 2023

基于图的时空预测中的局部效应控制

本文旨在理解全局性和局部性在基于图的时空预测中的相互作用，并同时提出了一种方法论框架来合理化在这些结构中包含可训练节点嵌入的实践，通过在多个实验中提供强有力的经验证据和指导，我们论证了如何将图形模型专业化以适应每个时间序列的规律，展示了这个方面在获得准确预测中的关键作用。

Feb, 2023

SST-GNN: 基于图神经网络的简化时空交通预测模型

本文提出了一种称为简化空时交通预测 GNN 的模型，它通过对不同邻域进行分别聚合的方式有效地编码了空间依赖性，并使用简单而有效的加权空时聚合机制捕获时间依赖性，而且使用了一种新颖的位置编码方案来捕获周期性的交通模式，实验表明该模型优于最先进的交通预测模型。

Mar, 2021

用图神经网络连接点：多元时间序列预测

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

采用图网络和时序引导嵌入的时空数据需求预测

本研究提出了一种名为 TGNet 的新的需求预测模型，它集成了图网络和时间导向嵌入，能够高效提取复杂的时空模式，并在其三个实际数据集中取得了与基线模型相当的预测表现，在参数数量上却大幅节省。

May, 2019

MSGNN: 多尺度时空图神经网络用于流行病预测

基于多尺度时空图神经网络（MSGNN），利用传输区域疫情信号并将其整合到多尺度的图形中，通过新设计的图卷积模块挖掘多尺度的疫情模式，实现了新冠肺炎在美国新增病例的准确预测，该方法优于现有技术，并提供了稳定和可解释的预测结果。

Aug, 2023