基于图结构的多元素 ODE 神经网络用于时空交通预测

May, 2023

基于图结构的多元素 ODE 神经网络用于时空交通预测

Graph-based Multi-ODE Neural Networks for Spatio-Temporal Traffic Forecasting

Zibo Liu, Parshin Shojaee, Chandan K. Reddy

TL;DR本文提出了一种新颖的基于图的多 - ODE 神经网络（GRAM-ODE）架构，通过捕捉复杂的局部和全局动态时空依赖关系的不同视图来学习更好的表示，并在其中间层添加了共享权重和发散性约束等技术以进一步改善面向预测任务的通信。在六个真实数据集上进行的广泛实验表明，GRAM-ODE 相比最先进的基线方法具有明显的优越性，并且不同组件对整体性能的贡献。

Abstract

There is a recent surge in the development of spatio-temporal forecasting models in the transportation domain. Long-range traffic forecasting, however, remains a challenging task due to the intricate and extensive spatio-temporal correlations observed in →

spatio-temporal forecasting graph neural networks multi-ode traffic networks feature extraction

发现论文，激发创造

面向交通流预测的时空图 ODE 网络

本文提出了一种基于张量的常微分方程网络模型来对交通流进行空时预测，并引入了语义邻接矩阵和时态扩张卷积结构以应对传统模型的表达能力不足和建模不准确的问题。在多个真实数据集上的实验结果表明，该模型取得了领先于现有基准的更好的预测结果。

Jun, 2021

基于注意力机制的时空图神经 ODE 用于交通预测

本文提出一种基于 GNN 和 ODE 的交通预测模型（ASTGODE），在真实数据上表现良好，具有可解释性，并实现了最高的预测准确度。

May, 2023

基于动态图神经 ODE 的多元时间序列预测

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

基于神经 ODE 的时态知识图预测

本研究提出一种基于神经常微分方程的多关系图卷积网络连续模型，通过图转换层捕获动态图的转换，实现对时间和结构信息进行连续时间动态嵌入，并在五个基准数据集上进行了大量实验证明，该模型在未来链接预测任务中具有卓越的性能。

Jan, 2021

时空超图神经网络用于交通预测

STHODE: Spatio-Temporal Hypergraph Neural Ordinary Differential Equation Network captures high-order spatio-temporal dependencies in traffic data, outperforming various baselines on real-world traffic datasets.

Oct, 2023

基于图神经网络控制微分方程的交通预测

本文提出了一种基于神经网络控制微分方程的时空图神经控制微分方程（STG-NCDE）方法，将 NCDA 概念应用于时空序列数据的处理中，实验表明该方法在交通预测中表现良好且优于其他 20 种基准模型。

Dec, 2021

交通预测的图神经粗糙微分方程

本研究介绍了一种名为 Spatio-Temporal Graph Neural Rough Differential Equation (STG-NRDE) 的方法，该方法将神经网络粗糙微分方程（NRDE）和图卷积网络结合起来，通过时间和空间数据进行交互，以预测交通流量，并在 6 个基准数据集和 21 个基线模型中实现了最佳准确性。

Mar, 2023

不规则采样时间序列的时间图 ODE

通过引入时间图常微分方程（TG-ODE）框架，从不规则图流中学习时间和空间动态，验证实验表明 TG-ODE 在不规则图流任务中能够取得最先进的性能。

Apr, 2024

图神经随机微分方程

我们提出了一种新颖的模型，即图神经随机微分方程（Graph Neural SDEs）。此技术通过使用布朗运动将随机性嵌入数据表示，提升了图神经常微分方程（Graph Neural ODEs），允许评估预测的不确定性，尤其在置信度预测方面超过了常规模型如图卷积网络和图神经常微分方程，使其在处理静态和时空上下文中的超出分布检测方面更加优越。

Aug, 2023

GrADE: 基于图形的数据驱动时变非线性偏微分方程求解器

本论文中，我们提出了一个名为 “GrADE” 的新颖框架，以解决非线性偏微分方程的时间依赖性问题，该框架包括 FNN（fully connected neural network）和 Graph Neural Network 以及最近开发的神经 ODE 框架，并使用注意机制来增强其性能。我们将更多的重量分配给重要的输入特征。同时，该框架还使用了 O (1) 常数内存的神经 ODE 框架，提高了速度。我们还提出了深度精炼技术，以更快、更准确地训练该框架，仿真结果表明该框架在解决 PDE 建模的问题上表现卓越。

Aug, 2021