KDDJun, 2023

本地化自适应时空图神经网络

PDF
TL;DR本研究针对自适应时空图神经网络 (ASTGNNs) 进行局部化，提出了一种名为自适应图稀疏化（AGS）的图稀疏化算法。实验表明，通过 AGS 进行稀疏化，ASTGNNs 的空间图可以被稀疏化超过 99.5％，而准确性不会有太大下降。因此，研究者得出以下结论：在测试的数据中，时空依赖性所提供的信息主要包含在时间依赖性所提供的信息中，因此在推理过程中可以忽略；尽管空间依赖性提供冗余信息，但对于 ASTGNNs 的有效训练至关重要，因此不能在训练过程中忽略它们。局地性的实现有可能减少在大规模时空数据上所需的计算的开销，从而进一步支持 ASTGNNs 的分布式部署。
发现论文，激发创造
  • 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

  • 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

  • 自适应混合空间 - 时间图神经网络用于移动通讯流量预测

    本研究提出了一种名为自适应混合时空图神经网络 (AHSTGNN) 的网络架构，用于解决基于时空模式的移动通信网络中的流量预测问题。实验结果表明，AHSTGNN 模型在两个真实的移动通信数据集上性能优于现有的预测方法。

    Feb, 2023

  • 带对抗对比适应的时空图学习

    该研究提出了一种名为 GraphST 的空间 - 时间图学习模型，采用新的自监督学习方法以及跨视图对比学习方法，提高了模型中多视图信息的利用和处理，使其在空间 - 时间预测任务方面表现出了卓越的性能。

    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

  • 利用时空图神经网络预测 COVID-19 疫情：新西兰研究

    本文提出一种名为 ATMGNN 的深度学习结构，该结构能够结合地理数据和 COVID-19 病例的时间序列数据来预测大流行病的未来动态，并通过学习聚类算法以数据驱动的方式捕获空间图的多尺度结构。作者在新西兰收集和组织了一个新的数据集，并将社会经济横截面数据纳入模型进行了预测，取得了比其他基线更好的预测结果，该研究为实时预测和全球范围的研究提供了一些启示。

    May, 2023

  • 可扩展的时空图神经网络

    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。

    Sep, 2022

  • 基于空间感知的图神经网络预测传感器数据中的关系行为

    本文提出了一种基于空间感知图神经网络的关系行为预测模型，该模型能够建模场景中的交互，并在轨迹级别上模拟不确定性，通过最新的自动驾驶数据集 ATG4D 和 nuScenes 的实验结果，我们的模型取得了显著的性能提升，具有端到端的训练能力。

    Oct, 2019

  • 全球感知增强的时空图循环网络：交通流预测的新框架

    该论文介绍了一种新颖的交通预测框架，它包括两个核心组件：空间 - 时间图递归神经网络和全局感知层。通过引入序列感知图神经网络，该模型可以学习不同时间步骤上的非固定图并捕捉局部时间关系。为了增强模型的全局认知，该框架还设计了三种独特的全局空间 - 时间转换器架构。在四个实际交通数据集上进行的广泛实验证明了我们框架和三种具体模型的优越性。

    Jan, 2024

  • 基于时空扩展图神经网络的人类移动仿真

    本研究提出了一种新的框架，即 SpatioTemporal-Augmented gRaph 神经网络（STAR），以建模地点的动态时空影响和优化人类移动轨迹的生成过程，结果优于现有最先进的方法。

    Jun, 2023