Apr, 2023

基于可学习的静态与动态个性化图卷积网络的时空海表温度预测

PDF
TL;DR本文提出了一种新颖的静态和动态可学习个性化图卷积网络 (SD-LPGC) 来处理 SST　的预测任务，实验结果表明该方法具有最先进的性能。
sea surface temperaturegraphical neural networksspatiotemporal dependencieslearnable personalized graph convolution networkforecasting
发现论文，激发创造
  • 基于图的深度学习用于海表温度预测

    该研究尝试使用图重新采样和图神经网络应用于全球海表温度预测，并发现其在大多数海洋中以均方根误差为衡量标准比持续模型具有更好的一个月的预测效果。

    Apr, 2023

  • 基于物理知识增强的深度神经网络预测海表面温度

    本文介绍了一种将历史观测数据中的物理知识转移至数值模型的方法，使用编码器和生成对抗网络的组合来捕捉观测数据中的物理知识，并将数值模型数据馈入预训练模型以生成物理增强数据进行 SST 预测，实验结果表明，该方法在 SST 预测性能方面相比几种最先进的基线方法有了明显的提升。

    Apr, 2023

  • 使用深度卷积残差回归神经网络转换海洋温度观测

    通过神经网络架构融合 AMSRE-E 和 MODIS 可以提高地表海温的分辨率和填补云缺失，尽管当前暂时有一些计算力等限制，但并行化是一个可以解决这些问题的方案。

    Jun, 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

  • 时空图卷积网络：用于交通预测的深度学习框架

    本文提出一个基于图卷积神经网络（STGCN）的深度学习框架来预测交通领域的时间序列问题，该模型可以更快地训练少量参数，通过建模多尺度交通网络，有效地捕捉了全面的时空相关性，并在各种真实世界的交通数据集上不断超越现有最先进的基线模型。

    Sep, 2017

  • 动态图神经网络建模海洋变量

    在本文中，我们使用先进的机器学习方法，包括序列模型（LSTM 和 Transformers）和关系模型（图神经网络），建立了一个在巴西东南海岸 Santos-Sao Vicente-Bertioga 海湾地区可以预测洋流速度和海面高度等环境变量的数据驱动模型，并将我们的结果与 Santos 操作预测系统进行了比较，证明了我们的模型可以在保持一定的灵活性和少量领域知识依赖性的同时实现更好的预测效果。

    Jun, 2022

  • HiSTGNN：用于天气预报的分层时空图神经网络

    本文提出了一种层次化的时空图神经网络模型 (HiSTGNN)，用于模拟多个站点中气象变量之间的跨区域时空相关性，在三个真实气象数据集上表现出明显优异性能，特别是与最先进的天气预报方法相比，其误差降低了 4.2% 到 11.6%。

    Jan, 2022

  • 动态图卷积网络

    该论文提出了两种结合长短时记忆网络和图卷积网络的方法以联合利用结构化数据和时间信息来管理动态图，通过实验结果证明了这种方法的优越性。

    Apr, 2017

  • 交通预测的时空交互动态图卷积网络

    提出了一种 STIDGCN 神经网络的拓扑交互动态图卷积模型，可以有效地进行交通预测，具有更好的性能。

    May, 2022

  • 使用物理信息的图神经网络学习极地冰层的时空模式

    基于图神经网络的物理受限混合模型能够通过学习浅层冰层的厚度信息，预测深层冰层的厚度，并在这方面表现出优于当前非归纳或非物理模型的性能。

    Jun, 2024