TG-PhyNN:一种增强的物理感知图神经网络框架用于时空数据预测
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
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
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
提出一种名为BDGSTN的新模型,通过生成骨干网络和动态图来预测流行病数据,使用线性模型和动态图卷积来处理时间依赖关系,实验证明该模型在准确预测流行病方面优于其他基准模型。
Dec, 2023
通过在具有时间延迟的空间交互中引入一种序列对齐的图卷积层以减轻时间延迟对准确性的影响,并通过多尺度图学习来理解全局和局部的时空交互,我们提出了一种Series-Aligned Multi-Scale Graph Learning(SAMSGL)框架,用于提高预测性能。对于meteorological和traffic forecasting数据集上的实验表明该框架的有效性和优越性。
Dec, 2023
提出了一种名为Time-aware Graph Convolutional Recurrent Network (TGCRN)的统一框架,通过Time-aware Graph Structure Learning (TagSL)和Graph Convolution-based Gated Recurrent Unit (GCGRU)在编码器-解码器结构中联合捕捉空间和时间依赖关系,用于多步骤的时空预测。实验证明,TGCRN能够推进现有技术的发展,并提供了详细的消融研究和可视化分析,深入揭示了时间感知结构学习的有效性。
Dec, 2023
将域差分方程纳入图卷积网络(GCN)中可以提高空时预测的准确性和鲁棒性,我们提出了Reaction-Diffusion Graph Convolutional Network(RDGCN)和Susceptible-Infectious-Recovered Graph Convolutional Network(SIRGCN),它们基于可靠且可解释的域差分方程,能够适应不同的测试数据,并且相比于现有的深度学习方法具有更强的鲁棒性。
Apr, 2024
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
为了提高多变量时间序列预测任务的性能,我们提出了一种可扩展的自适应图扩散预测网络(SAGDFN),用于捕捉大规模多变量时间序列数据中的复杂时空相关性。该方法在拥有数千个节点的数据集上表现出色,并且不需要先验的空间相关知识。通过大量实验证明,SAGDFN在一个由207个节点组成的真实数据集上的性能与最先进的基准方法相当,并在三个由2000个节点组成的真实数据集上的性能优于所有最先进的基准方法。
Jun, 2024
本研究解决了现有神经模型在复杂条件下预测时空动态的不足,提出了一种新的图学习方法——物理编码消息传递图网络(PhyMPGN),该方法能够在小规模训练数据下有效建模不规则网格上的时空偏微分方程系统。实验结果表明,PhyMPGN在粗糙的非结构化网格上能够准确预测多种时空动态,并且在性能上超越了其他基线方法。
Oct, 2024