Sep, 2023

解读时空图预测：因果视角与处理

PDF
TL;DR通过使用因果治疗，本文提出了一种名为 CaST 的新框架来解决时空图预测中的时间分布外问题和动态空间因果问题，该框架通过建立结构因果模型来解析 STG 的数据生成过程，使用新的解缠结块通过反门调整来处理时间分布外问题，并利用前门调整和 Hodge-Laplacian 操作符进行边级卷积，以模拟因果效应的涟漪效果。在三个真实数据集上的实验证明了 CaST 的有效性和实用性，并且在解释性方面表现出色。
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

  • STGC-GNNs：一种基于 GNN 的交通预测框架，使用时空 Granger 因果图

    本研究提出了一种新的假设：全局 - 动态交通信息（GDTi）行为为交通流内在的传输因果关系（TCR），并进一步提出了时空 Granger 因果关系（STGC）以表达 TCR，以建立全局动态空间依赖性的模型。 实验结果表明，使用 STGC 对空间依赖性建模比原始模型获得更好的长期预测效果。

    Oct, 2022

  • 基于图形的深度建模和稀疏时空数据实时预测

    提出了一个通用的时空数据建模、分析和预测框架，重点关注空间和时间都稀疏的数据。该框架由自激励点过程和图结构循环神经网络两个组成部分无缝耦合，并实现了更精准的实时预测，针对犯罪和交通预测具有良好的效果。

    Apr, 2018

  • 时空图散射变换

    提出一种基于数学设计的空时图散射转换（ST-GST），将传统散射变换扩展到空时领域，通过使用空时图小波和非线性激活函数的迭代应用，对空时数据进行分析，不需要训练即可视为空时图卷积网络的正向传递，在限制的训练数据情况下表现出稳定性，实验表明其性能优于空时图卷积网络。

    Dec, 2020

  • 必要枢纽：基于本质连接神经网络的多元时间序列时空预测

    本研究主要探讨了基于空间 - 时间图神经网络的多元时间序列建模和预测，提出了一种紧凑型的预测模型，通过节点标识驱动，不需要复杂的顺序模块，并使用稠密编码器 - 解码器和消息传递层，能够有效地处理空间 - 时间问题。实证结果表明，这种简单而优雅的模型在适当归纳基础的情况下，与复杂的设计相比，具有更好的性能，更易解释，更高效。

    Jul, 2023

  • 可解释的时空图神经网络

    提出了一种可解释的空时图神经网络（STExplainer）框架，以提高 Spatio-temporal Graph Neural Networks（STGNNs）的可解释性，同时实现准确的预测和可信的解释。通过与其他模型的实验比较，证明 STExplainer 在交通和犯罪预测任务中具有更高的预测精度和可解释度，并能更好地处理数据丢失和稀疏性问题。

    Oct, 2023

  • 增强型时空图神经网络预训练在多元时间序列预测中的应用

    本文介绍了一种新型的预训练框架，将 “可扩展时间序列预训练模型”（STEP）与 “空间 - 时间图神经网络”（STGNN）相结合，通过长期历史时间序列数据的预处理，提供上下文信息，显著提高预测准确性。

    Jun, 2022

  • 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

  • 时空元对比学习

    提出了一种新的空间 - 时间对比学习（CL4ST）框架，通过 STG 的扩充范式来编码稳健和可推广的 STG 表示，实验证明 CL4ST 在交通和犯罪预测方面明显优于各种最先进的基准模型。

    Oct, 2023

  • 基于图神经网络的时空外推技术

    本文研究了在图形上从周围环境生成目标位置数据的时空外推任务，提出了具有不确定性估计和强大学习能力的空间 - 时间图神经过程模型，并使用贝叶斯聚合算法在转移过程中对上下文数据和图形结构进行了考虑。

    May, 2023