Sep, 2023

物联网空气污染监测系统中的时空图注意力融合器用于校准

PDF
TL;DR提出了一种新的方法，利用图神经网络，特别是图注意网络模块，通过融合来自传感器阵列的数据，提高物联网空气污染监测平台中传感器的校准准确性。
internet of thingssensorsair pollution monitoringcalibrationgraph neural networks
发现论文，激发创造
  • STCGAT：智能交通系统中的时空因果图注意力网络用于交通流量预测

    本文提出了一个新的空间 - 时间因果图注意网络（STCGAT）用于交通预测，采用节点嵌入方法在每个时间步骤自适应生成空间相邻子图，以建模全局空间和时间依赖性，并提出了一种高效的因果时间相关组件，包含节点自适应学习，图卷积和本地和全局因果时间卷积模块，共同学习本地和全局空间 - 时间依赖性，实验结果表明 STCGAT 模型始终优于所有基线模型。

    Mar, 2022

  • 利用可扩展的图神经网络进行机会性空气质量监测和预测

    本文提出了一种可扩展的图注意力网络（EGAT）模型，它从现有和新添加的基础设施中收集数据，并适用于具有不断变化的空间结构的情景，用于空气质量预测模型中。

    Jul, 2023

  • 时空注意力图神经网络用于剩余寿命预测

    本研究提出了一种时空注意力图神经网络模型，通过结合图神经网络和时间卷积神经网络，以改进预测精度和模型可解释性；该模型在统一归一化下表现出了卓越的结果。此外，对于具有多个操作条件的数据集，聚类归一化提升了我们所提出模型的性能高达 27%。

    Jan, 2024

  • 基于注意力机制的时空图卷积循环神经网络用于交通预测

    本文提出了一种新的空间 - 时间神经网络框架 ASTGCRN，其中包括图卷积循环模块 GCRN 和全局注意力模块，以有效地对运输数据进行复杂的时空依赖性和相关性建模，并采用三个独立模块的时间关注层来实现对全局时间依赖性的有效提取。实验结果表明，这三个模型均具有极佳的预测表现优于基准方法。

    Feb, 2023

  • 基于时空注意力融合的动态图卷积网络用于交通流量预测

    本文提出了一种新颖的动态图卷积神经网络，采用时空关注融合的方法，全面地模拟了长距离和多尺度的时空模式，取得了 22 种基线模型之外的最先进表现。

    Feb, 2023

  • 一个全球性的多单元校准方法用于大规模物联网颗粒物监测系统的部署

    基于低成本颗粒物传感器的 IoT 空气质量多传感器设备的全局校准方法可大规模部署准确的 IoT 空气质量监测设备，降低校准成本，并实现个人暴露监测应用的即时准确读数和降低远程数据传输需求。

    Oct, 2023

  • 基于物联网的空气质量监测系统结合机器学习实现精准实时数据分析

    本文提出了开发一种可在任何地方使用的便携式空气质量检测设备，该设备使用 MQ135 和 MQ3 两个传感器检测有害气体并以每百万为单位测量空气质量，同时通过 ThinkSpeak 云平台存储和可视化数据，并进行机器学习分析。

    Jul, 2023

  • 时空场神经网络用于空气质量推断

    通过融合领域和图两种不同的时空观察角度，我们提出一种新的模型，即时空场神经网络，并引入了相应的新框架 Pyramidal Inference，广泛实验证明我们的模型在中国大陆的全国范围内空气质量推断方面取得了最先进的性能，证明了我们提出的模型和框架的优越性。

    Mar, 2024

  • 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

  • 异构传感器网络中的动态图注意力异常检测

    本文提出了一种基于图的异常检测框架 DyGATAD，利用注意机制构建多变量时间序列的连续图表示，并推断时间序列之间的动态边。DyGATAD 结合了基于操作条件感知的重构和基于拓扑的异常评分，从而增强了对关系变化的检测能力，在传感器网络中展示了卓越的集体异常检测性能，尤其在最小严重度故障的早期检测方面表现出特殊优势。

    Jul, 2023