基于时空图注意力网络的战斗机飞行轨迹预测
本文提出了一种增强的 CNN-LSTM 网络作为战斗机飞行轨迹预测方法,该方法从空间和时间两个维度提取特征,通过模拟实验证明相比于原始的 CNN-LSTM 方法,预测精度提高了 32% 和 34%。
Apr, 2024
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
通过使用空间 - 时间图编码器 - 解码器 (STGED) 框架,本研究针对战术通信网络中的资源分配问题提供了准确预测未来网络连通性的解决方案,通过使用网络状态的空间和时间特征,学习潜在的战术行为,实验结果表明 STGED 在不同时间步输入下始终优于基线模型,对战术通信网络未来状态预测任务的准确率达到了高达 99.2%。
Mar, 2024
本文提出了一种通用的生成神经系统(称为 STG-DAT),用于多代理轨迹预测,涉及异构代理。该系统采用了动态图形表示,并利用轨迹和场景上下文信息来明确交互建模。本文还采用了一个有效的运动学约束层,该约束不仅确保物理可行性,而且提高了模型性能。
Feb, 2021
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
本文提出了通过使用基于图注意力网络的声谱 - 时间表示学习方法,以及采用模型级别的图融合和图池化策略,进行深度伪造声音检测的方法, 在 ASVspoof 2019 数据库上达到了 1.06% 的等误率,是目前为止报告的最佳结果之一。
Jul, 2021
本研究提出使用关注机制进行轨迹预测的 STAR 模型,采用 TGConv 和临时 Transformer 模型,以及可读写的外部记忆模块,以实现复杂的时空交互并实现了 5 个真实世界的行人预测数据集的最新性能。
May, 2020
本文提出一种基于图的下一步预测模型,采用了一种类 Transformer 的时序关注模型来捕捉长期的依赖关系,利用编码器 - 解码器结构来总结特征和创建系统状态的紧凑网格表示,并在几个复杂的流体力学预测任务中优于竞争性 GNN 基线,可以帮助解决高维物理问题的序列建模。
Jan, 2022
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