TimeGNN:时间序列预测的时间动态图学习
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
图形化深度学习方法在处理相关时间序列集合方面已成为流行工具,提出了一种全面的方法论框架,用于形式化预测问题并提供基于图形的预测模型的设计原则和性能评估方法,同时介绍领域概述、设计指南和未来研究方向的综述。
Oct, 2023
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
本文提出了一种学习概率图模型的方法,该方法通过优化图分布的平均性能来学习未知的图结构,并且通过神经网络参数化图分布,能够可微分地对离散图进行采样。实证评估表明,该方法比最近提出的双层学习方法以及基于深度学习或非深度学习,基于图形或非图形的预测模型更为简单,高效,性能更好。
Jan, 2021
提出了一种名为 Time-aware Graph Convolutional Recurrent Network (TGCRN) 的统一框架,通过 Time-aware Graph Structure Learning (TagSL) 和 Graph Convolution-based Gated Recurrent Unit (GCGRU) 在编码器 - 解码器结构中联合捕捉空间和时间依赖关系,用于多步骤的时空预测。实验证明,TGCRN 能够推进现有技术的发展,并提供了详细的消融研究和可视化分析,深入揭示了时间感知结构学习的有效性。
Dec, 2023
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
通过引入 Temporal Graph Learning Recurrent Neural Network (TGLRN) 模型,我们可以动态地构建每个时间步长的图形,从而准确地预测交通流量,并通过边采样策略进一步提高模型的性能。
Jun, 2024
我们提出了一种方法,将多变量信号表示为图中的节点,通过图神经网络和注意力机制来高效学习时间序列数据中的潜在关系,并建议使用分层信号分解来捕捉多个空间依赖关系,实验证明我们的模型在长期预测任务中优于现有模型,平均均方误差 (MSE) 减少了 23%。
Nov, 2023