Oct, 2023

基于图分解学习的多因素时空预测

PDF
TL;DR我们提出了一个多因素时空预测任务，预测不同因素下局部时空数据的演变，并将它们结合起来进行最终预测。通过理论解决方案和可移植的实例化框架，我们在这个任务中做出了两个贡献：提出了一种称为分解预测策略的有效理论解决方案，并从信息熵理论的角度证明了其有效性。在此基础上，我们实例化了一个新颖的模型无关框架，名为时空图分解学习（STGDL），用于多因素时空预测。框架包括两个主要组件：自动图分解模块，将时空数据中固有的原始图结构分解为对应于不同因素的子图，以及分解学习网络，分别学习每个子图上的局部时空数据，并将它们整合为最终预测。我们对两种类型的四个真实世界时空数据集进行大量实验，即网格图和网络图。结果表明我们的框架平均显著减少了各种时空模型的预测误差（最多达到 35.36% 的减少）。此外，一项案例研究揭示了我们框架的可解释性潜力。
spatio-temporal predictionmulti-factorst datagraph decompositionmodel interpretability
发现论文，激发创造
  • 流式因子轨迹学习用于时态张量分解

    提出了一种能够处理时间信息的流式数据的张量分解方法，使用高斯过程模型因子轨迹并通过构建等效的随机微分方程实现在线过滤估计，有效捕捉对象表示的时序演化。

    Oct, 2023

  • 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

  • STF：空间时间融合的轨迹预测

    本研究提出了一种集成的三维图形方法，将空间和时间信息融合在一起，并考虑跨时间的交互信息，以更准确地预测车辆轨迹。实验证明，该方法在长时间范围的轨迹预测中表现优于其他基线方法。

    Nov, 2023

  • 网络范围航班延误预测的时空传播学习

    本文提出了一种新的空时可分离图卷积网络 ——STPN，用于建立多个机场之间航班延误传播的综合模型，并且在美国和中国的航班延误数据上验证了该模型的有效性及优越性。

    Jul, 2022

  • 超 ST-Net：用于时空预测的超网络

    本文提出了一种基于 hypernetworks 的通用框架 HyperST-Net，用于深度学习的空间 - 时间数据，包括空间模块、时间模块和推理模块，通过在神经网络中设计不同类型的 HyperST 层，本文将其应用于三种不同的真实世界任务，并取得了显著的改进。

    Sep, 2018

  • MLPST: MLP 适用于时空预测的全部需求

    交通预测是一种典型的时空数据挖掘任务，对公共交通系统具有重要意义。为了实现高效、轻量和有效的时空预测方法，我们提出了一种直观而新颖的框架 MLPST，它是一个纯多层感知器架构，能够在要求仅为线性计算复杂度的同时，很好地捕捉空间和时间依赖关系。通过与先进基准模型的比较，广泛的实验证实了 MLPST 的出色效果和高效性，而在模型的准确率最优中，MLPST 实现了最好的时间和空间效率。

    Sep, 2023

  • 动态多图注意力实现长期时空预测

    本文研究多图神经网络在长期时空预测中的应用，提出了一种新的动态多图融合模块来描述不同图之间的节点相关性，并引入可训练权重张量来指示不同图中每个节点的重要性。实验证明，我们的方法在长期时空预测任务中显著提高了现有图神经网络模型的性能。

    Apr, 2022

  • 利用矩阵和张量分解进行时序链接预测

    本文考虑了基于时间的链接预测问题，研究了基于矩阵和张量的方法，并探讨了在具有不同周期结构的数据中利用张量分解的优点。通过多个实验，证明了这两种方法对于时间链接预测具有很好的效果。

    May, 2010

  • ST-MLP: 一种级联的时空线性框架，采用通道独立策略进行交通预测

    为了优化智能交通系统（ITS）中的交通流管理，及时准确的交通预测的关键性已引起了大量学术关注。在道路图结构中，时空图神经网络（STGNNs）因其适应性而受到赞赏。然而，目前关于 STGNNs 架构的研究往往更偏向于复杂设计，从而导致计算负担增加，但提高的准确性不明显。为了解决这个问题，我们提出了 ST-MLP，一种基于级联多层感知机（MLP）模块和线性层的简洁时空模型。具体来说，我们结合了时间信息、空间信息和预定义的图结构，并成功实现了通道独立策略 —— 这是一种在时间序列预测中有效的技术。实证结果表明，ST-MLP 在准确性和计算效率方面优于最先进的 STGNNs 和其他模型。我们的发现鼓励在交通预测领域进一步探索更简洁和有效的神经网络架构。

    Aug, 2023

  • 交通预测中的时空变换器的再思考：多层多视角增强学习框架

    本文提出了一种多层多视图增强时空 Transformer（LVSTformer）用于交通预测，该模型旨在从局部地理、全局语义和关键节点三个不同层次捕获空间依赖性，同时还具备长期和短期的时间依赖性，通过结合三种空间增强视图与三个并行空间自注意机制，模型可以全面捕获不同层次的空间依赖性，并且采用门控时间自注意机制有效捕捉长期和短期的时间依赖性。此外，在两个时空层之间引入了时空上下文广播模块，以确保注意力分配的均匀分布，缓解过拟合和信息损失，增强模型的泛化能力和鲁棒性。通过在六个知名交通基准上进行全面的实验，实验结果表明 LVSTformer 相比竞争基线模型实现了最先进的性能，最大改进幅度达到了 4.32%。

    Jun, 2024