Sep, 2023

基于图的强化学习在时间序列预测中的应用

PDF
TL;DR本研究提出了一种使用图神经网络（GNN）和强化学习（RL）监控的新方法来预测时间序列数据。该方法将数据的图结构与模型明确地结合起来，能更自然地捕捉时间依赖关系，对于医疗、交通和天气预测等复杂时间结构中的精准预测具有优势，同时通过贝叶斯优化技术对图神经网络模型进行了进一步优化，提出的框架在时间序列预测和监控方面优于基准模型，证明了 GraphRL 在动态强化学习环境中提供准确和高效预测的潜力。
reinforcement learningdeep learninggraphical neural networktime-series predictiongraphrl
发现论文，激发创造
  • TimeGNN：时间序列预测的时间动态图学习

    TimeGNN 是一种学习动态时间图表示的方法，能够捕捉多个系列的相关性和交互模式的演变，并在预测性能方面实现比其他先进的基于图的方法快 4 到 80 倍的推理时间。

    Jul, 2023

  • 图形深度学习用于时间序列预测

    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

  • 图神经网络和时间序列作为定向图的质量识别

    本文研究了图神经网络在时间序列分析中的应用，将时间序列视为有向图，利用图神经网络的结构探索时间依赖性，并开发了两个几何深度学习模型，一个用于有监督分类，另一个用于信号重构。将这些模型应用于质量识别问题。

    Oct, 2023

  • 自适应依赖学习图神经网络

    通过将神经网络和统计结构学习模型相结合，我们提出了一种混合方法，通过从多变量数据中自主学习依赖关系并构建动态变化的依赖图，从而实现了在缺乏明确定义图的情况下利用图神经网络进行多变量预测。在真实世界的基准数据集上，我们的方法显著提高了性能。

    Dec, 2023

  • 多时间序列预测的离散图结构学习

    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

  • 交通预测的时序图学习循环神经网络

    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

  • 时间序列的图神经网络调查：预测、分类、填充和异常检测

    这篇综述论文首次汇集了关于基于图神经网络的时间序列研究的大量知识，突出了图神经网络在时间序列分析中的基础、实际应用和机会。

    Jul, 2023

  • 深度强化学习遇见图神经网络：探索一种路由优化用例

    本篇论文提出在 Deep Reinforcement Learning 技术中，将 Graph Neural Networks 集成进 DRL 代理中，以解决网络拓扑的泛化问题，并在路由优化的用例中测试并评估其性能，结果表明，在未曾训练过的网络拓扑中，DRL+GNN 代理能够胜过目前最先进的解决方案。

    Oct, 2019

  • 用图神经网络连接点：多元时间序列预测

    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

  • DeepHGNN: 基于图神经网络的层次相关多变量时间序列预测方法研究

    这篇论文介绍了一种针对复杂层次结构的新型 Hierarchical GNN（DeepHGNN）框架，该框架通过创新的基于图的层次插值和端到端的协调机制，在多个层次上确保了预测的准确性和一致性，同时在层次之间共享信号，以解决层次预测中的一个关键挑战。

    May, 2024