May, 2024

时空预测与效率相遇：因果图过程神经网络

PDF
TL;DR本文介绍 Causal Graph Process Neural Network (CGProNet)，它结合了 CGPs 和 GNNs，用于时空预测，并通过使用更少的参数、减少内存使用和提高运行效率来优化模型。实验结果表明 CGProNet 在保持竞争力的预测性能的同时，最小化了内存和时间需求。
graph neural networkscausal graph processesspatiotemporal forecastinggraph filtersruntime efficiency
发现论文，激发创造
  • 可扩展的时空图神经网络

    本文提出了一种可扩展的体系结构，利用随机循环神经网络将输入时序的历史数据嵌入到高维状态表示中，并利用不同幂次的图相邻矩阵沿空间维传播以生成节点嵌入，从而实现多尺度的时空特征表示，我们的方法在保证结果竞争力的同时，大大降低了计算负担。

    Sep, 2022

  • 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

  • 跨节点联邦图神经网络用于时空数据建模

    提出了一种基于 Cross-Node Federated Graph Neural Network（CNFGNN）的联邦时空模型，旨在利用分布式数据的时空结构，对交通流量进行准确预测，并在交通流量预测任务中展示了其卓越的表现。

    Jun, 2021

  • 基于空间感知的图神经网络预测传感器数据中的关系行为

    本文提出了一种基于空间感知图神经网络的关系行为预测模型，该模型能够建模场景中的交互，并在轨迹级别上模拟不确定性，通过最新的自动驾驶数据集 ATG4D 和 nuScenes 的实验结果，我们的模型取得了显著的性能提升，具有端到端的训练能力。

    Oct, 2019

  • 基于动态因果解释的扩散 - 变分图神经网络用于时空预测

    本文提出一种基于动态扩散变分图神经网络 (DVGNN) 的动态图构建方法，并在时序数据集上对 DVGNN 进行实验，证明它可以更好地反映动态图的因果关系和不确定性，达到更好的预测效果。

    May, 2023

  • 门控图循环神经网络

    本文介绍了图递归神经网络 (GRNNs) 作为一种利用递归隐藏状态与图信号处理 (GSP) 相结合的学习框架，以学习来自于图处理中的时空结构。结果表明，GRNNs 在长期依赖问题上的表现优于 GNNs 和 RNNs。

    Feb, 2020

  • 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

  • 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

  • 基于时空融合的图神经网络用于交通流量预测

    本文提出一种名为 STFGNN 的基于图神经网络的交通流预测模型，结合空间和时间各种图的融合操作，以及门控卷积模块来处理长序列，实现了比其它基线更好的性能。

    Dec, 2020

  • 因果生成神经网络

    本研究提出了一种能够从观测数据中学习功能性因果模型的因果生成神经网络（CGNN），通过利用条件独立性和分布异质性来发现双变量和多变量的因果结构。该模型不假定缺乏混淆因素，并使用反向传播来学习可微分的数据生成模型。通过大量实验，发现在因果推断、v - 结构识别和多元因果发现方面，CGNN 在模拟和实际数据上相对于现有技术具有很好的表现。

    Nov, 2017