利用 GNN 进行伦敦自行车共享服务的天气和工作日预测的空间图粗化

Aug, 2023

利用 GNN 进行伦敦自行车共享服务的天气和工作日预测的空间图粗化

Spatial Graph Coarsening: Weather and Weekday Prediction with London's Bike-Sharing Service using GNN

Yuta Sato, Pak Hei Lam, Shruti Gupta, Fareesah Hussain

TL;DR本研究介绍了使用图神经网络（GNN）来预测伦敦某一天的天气和星期几，使用桑坦德自行车共享系统的数据集作为图分类任务。我们的模型在土地利用特征、自行车站周围的家庭数量以及城市温度等图特征的基础上，通过引入训练节点嵌入的图特征拼接运算符和以地理相邻性为基础的图粗化运算符「空间图粗化」，在交叉熵损失和验证数据集准确率上优于基准模型。

Abstract

This study introduced the use of graph neural network (GNN) for predicting the weather and weekday of a day in London, from the dataset of Santander Cycles bike-sharing system as a graph classification task. The

graph neural network weather prediction weekday prediction santander cycles graph classification

发现论文，激发创造

基于图卷积神经网络的大规模共享单车网络站点级小时需求预测

本研究提出了一种基于数据驱动图滤波器（GCNN-DDGF）的图卷积神经网络模型，可以学习车站之间隐藏的异质性相关性以预测大规模自行车共享网络中车站级别的小时需求。根据多种自行车共享系统数据建立和比较了 6 种 GCNN 模型和 7 种基准模型，并在 New York City 的一个 Citi Bike 数据集上进行了测试，结果表明 GCNNrec-DDGF 的表现最佳，其次是 GCNNreg-DDGF。此外，通过 DDGF 获得更详细的图网络分析，发现它捕捉了一些嵌入在 SD，DE 和 DC 矩阵中的细节信息，而且还揭示了车站之间不被这些矩阵揭示的隐藏的异质性成对相关关系。

Dec, 2017

利用图神经网络进行深度单车共享行程推荐

本研究针对自行车共享系统随着规模扩大而面临的新站点规划和旅行需求预测问题，提出了一种基于图神经网络的方法，以多源城市建筑环境数据为基础进行局部化图构造，使用注意力机制学习识别不同站点之间的相关性，对其应用情景进行了实际验证并与现有方法进行了比较，结果表明我们的方法具有更好的性能和解释力。

Mar, 2023

基于跨模态知识共享的自行车共享需求预测：一种基于图的深度学习方法

本研究提出了一种基于图的深度学习方法（B-MRGNN）来预测单车共享需求，并利用多模式历史数据作为输入，在不同交通模式之间建立空间依赖性，实验结果表明比现有方法具有更好的性能。

Mar, 2022

面向全国城市空气质量预测的群体感知图神经网络

本研究提出了一种基于群组感知的图神经网络 (GAGNN) 模型，用于预测全国城市的空气质量，该模型通过构建城市图和城市群组图来建模城市之间的空间和潜在依赖关系，并采用消息传递机制来模拟城市和城市群组之间的依赖关系，实验证明该模型优于现有的预测模型。

Aug, 2021

WeatherGNN：利用复杂关系进行数值天气预报偏差修正

提出了一种利用图神经网络的 NWP 偏差校正方法 WeatherGNN，在两个真实数据集上展示了与其他方法相比的显著优势，平均 RMSE 提高了 40.50%。

Oct, 2023

应用图神经网络预测全球天气

使用图神经网络的数据驱动方法预测全球天气，通过学习当前 3D 大气状态的六小时步长以及多步连接，可以产生数天后的精准预报，测试表现优于以前的数据驱动方法，并且与 GFS 和 ECMWF 的物理模型的全分辨率相当可比。

Feb, 2022

基于灵活节点的交通需求预测图构建

介绍了一种针对自由流动交通模式的新型图构建方法，利用密度聚类算法确定图中节点的灵活定位，并从乘车数据中提取有价值的信息来初始化图神经网络的边权重，实验证实了该方法显著提高了模型的性能和计算效率。

Mar, 2024

多图卷积网络用于自行车流量预测

本研究提出了一种新的多图卷积神经网络模型，通过构建多个站点之间的关系图，从图的角度提高了单个站点自行车流量的预测准确性，可帮助单车共享系统管理者做出决策

Jul, 2018

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

利用非规则卷积神经网络提升短期自行车共享需求预测

该研究提出了一种基于 IrConv+LSTM 的非规则卷积神经网络模型，可用于改善城市自行车共享短期需求预测，其考虑到了非相邻城市之间的联系。该模型在新加坡的无桩共享单车系统和芝加哥、华盛顿、纽约和伦敦的四个基于站点的系统，表现出比其他基准模型更好的性能。

Feb, 2022