本文基于图神经网络与边变换的傅里叶图神经网络,提出一种适应性学习高分辨率变量依赖关系的方法,对多变量时间序列分析与预测具有较高的效率和准确性。
Oct, 2022
采用数据驱动的方法,通过结合 Video Prediction Transformer 和 Multigrid Architecture,提出了一种名为 MGxTransformer 的新方法,用于对各种不可压湍流进行精确的速度、温度和湍流强度预测,结果表现出比其他基线更高的准确性和更高的计算效率。
Jun, 2023
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
本文提出了一种新的学习架构,该架构通过可学习的全连接硬图门控机制,实现了与最佳算法相竞争或更好的性能,进而在交通预测应用中实现了高效的时间序列预测。实验结果展示了该方法的价值,剖析研究证实了架构的每个元素的重要性。
Jul, 2020
FCDNet 是一个简洁而有效的框架,通过两个轻量级依赖构造器,从多层频率模式中自适应地提取长期和短期依赖信息,从而克服了先前方法所面临的限制,并显著超过强基线,平均改进了 MAE 的 6.82%、RMSE 的 4.98% 和 MAPE 的 4.91%。
Dec, 2023
本论文提出了一种新的深度学习模型 Balanced Graph Structure Learning for Forecasting(BGSLF),该模型结合了图结构学习和预测,并通过引入 Multi-Graph Generation Network 和 Graph Selection Module 平衡了效率和灵活性的权衡,并在真实世界的四个数据集上进行了广泛的实验,取得了最新的性能表现。
Jan, 2022
ForecastGrapher 是一个框架,将多变量时间序列预测重新构想为节点回归任务,通过生成自定义节点嵌入、构建自适应邻接矩阵和增强节点特征分布的表达能力,引入 GFC-GNN 模型来捕捉复杂的时间动态和跨序列的相关性,通过大量实验证明其在多变量时间序列预测领域超过了强基线和领先的已发表技术。
May, 2024
本文提出了一种使用动态图神经普通微分方程(MTGODE)来预测多元时间序列的连续模型,旨在解决离散神经网络在捕捉稳定和精确的时空动态时所遇到的困难。我们的实验证明了该方法从多种角度在五个时间序列基准数据集上的超越性。
Feb, 2022
本研究提出了一种名为 MAGNN 的多尺度自适应图神经网络方法,用于预测多元时间序列中的内部变量相关性和跨变量相关性,通过多尺度金字塔网络和自适应图学习模块以及尺度级融合模块能够更好地处理不同时间尺度和相关性,实验证明,MAGNN 在多个数据集上都优于现有的方法。
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