Sep, 2023

探索几何深度学习在降雨即时预测中的应用

PDF
TL;DR基于几何深度学习的时态图卷积网络（GCN）用于降水预报，通过优化训练过程中预测与真实像素值之间的 L1 损失来自动学习模拟栅格单元间的相互作用的邻接矩阵，并通过 GCN 层对空间关系进行优化，并使用不同核长度的一维卷积提取时间信息，最终结果通过邻域信息作为辅助输入层来改善，实验结果表明 GCNs 可提高云形的局部细节建模和预测准确性，从而降低误差度量。
precipitation nowcastingconvolutional neural networksgeometric deep learninggraph convolutional networkspatial relationship
发现论文，激发创造
  • 降水预测的深度学习：基准和新模型

    该研究提出了一种新的 Trajectory GRU（TrajGRU）模型以解决天气预报中的位置变化问题，并提出了一个基准数据集和评估标准，旨在为未来的研究提供方便，并衡量该领域的技术水平。

    Jun, 2017

  • 使用深度神经网络进行降水现在预报

    本研究使用三种深度学习模型（U-net、ConvLSTM 和 SVG-LP）在二维降水图上进行降雨即时预测，并提出了补丁提取算法以获得高分辨率的降水地图和损失函数来解决图像模糊问题和减少降水地图中零值像素的影响。

    Mar, 2022

  • InceptionGCN: 基于感受野的图卷积神经网络用于疾病预测

    本文介绍了一种新的图形领域体系结构，用于基于图形的深度学习用于疾病预测，该体系结构利用不同内核大小的滤波器来构建，特点是定义了几何 “内核模块”，能够在卷积期间捕获结构异质性。研究展示了该模型在两个公开数据集上的疾病预测结果，并提供了在模拟数据的不同输入情况下，常规 GCNs 和我们提出的模型的行为洞见。

    Mar, 2019

  • 时空图卷积网络：用于交通预测的深度学习框架

    本文提出一个基于图卷积神经网络（STGCN）的深度学习框架来预测交通领域的时间序列问题，该模型可以更快地训练少量参数，通过建模多尺度交通网络，有效地捕捉了全面的时空相关性，并在各种真实世界的交通数据集上不断超越现有最先进的基线模型。

    Sep, 2017

  • 卷积 LSTM 网络：一种用于降水预报的机器学习方法

    本文将降水短时预报问题作为时空序列预测问题，并使用卷积 LSTM (ConvLSTM) 构建可端到端训练的模型，数据实验表明，相比全连接的 LSTM 和 ROVER 算法，ConvLSTM 能够更好地捕捉时空相关性，并在降水短时预报中具有更好的预测性能。

    Jun, 2015

  • DDP-GCN：用于时空交通预测的多图卷积网络

    本研究针对交通速度预测问题，通过基于距离、方向和位置关系的图卷积网络构建基本图元素，成功地将空间依赖关系引入深度神经网络， 在高度复杂的城市网络中实现了长期预测并获得了积极的改进。

    May, 2019

  • 基于时间图的 3D 图卷积网络：交通流量预测中的一种空间信息自由框架

    本文提出了一个新的深度学习框架，名为 3D-TGCN，它通过与传统空间信息不同的方式构建道路图，并提出了一个 3D 图卷积模型来更准确地模拟时空数据，并在实证结果中取得了优于现有基线的未来交通预测精度。

    Mar, 2019

  • PGCN: 面向时空交通预测的渐进图卷积网络

    本研究提出了一种新的交通预测框架 - Progressive Graph Convolutional Network（PGCN），它通过在训练和测试阶段逐步适应输入数据来构建一组图形，并与扩张因果卷积和门控激活单元相结合，提取时间特征。PGCN 具有逐步适应输入数据的能力，使模型在不同的研究场所具有稳健性，并在各种几何性质的实际交通数据集上实现了最先进的性能。

    Feb, 2022

  • Traffic Graph Convolutional Recurrent Neural Network: 网络规模交通学习与预测的深度学习框架

    通过学习交通网络图形并提出一种新的深度学习框架，Traffic Graph Convolutional Long Short-Term Memory Neural Network（TGC-LSTM），我们可以更好地进行交通预测，从而在两个真实的交通状态数据集上优于基准方法。

    Feb, 2018

  • DeepGCNs: 让 GCNs 达到与 CNNs 相同的深度

    本篇论文介绍了如何将残差 / 稠密连接和扩张卷积等深度卷积神经网络中的概念应用于图卷积网络中，从而成功地训练出多达 112 层的深度图卷积网络，该方法在多个数据集和任务中展示出了非常良好的表现。

    Oct, 2019