- 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 - 交通预测的时序图学习循环神经网络
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。
- DSGNN: 一种用于区域空气质量估计的双视图超网格感知图神经网络
提出了一种双视图超网格感知图神经网络(DSGNN)用于区域空气质量估计,通过对远程网格区域的空间依赖性进行建模,实现了在无空气质量监测站的情况下估计目标区域的空气质量。
- 持续演化的图神经控制微分方程用于交通预测
提出了连续演化图神经控制微分方程(CEGNCDE)来同时捕捉连续的时间依赖关系和随时间演变的空间依赖关系,通过基于 NCDE 的连续演化图生成器(CEGG)来生成连续演化的离散历史观测下的空间依赖图,然后引入了图神经控制微分方程(GNCDE - SpecSTG: 一种快速的谱扩散框架用于概率时空交通预测
通过提出一种新的谱扩散框架,将空间依赖性和交通数据中的系统模式充分利用,我们的模型在交通流量和交通速度数据上表现出色,超越了最先进的基准模型。
- 动态频域图卷积网络用于交通预测
本文提出了一种新颖的动态频域图卷积网络 (DFDGCN),用于捕捉交通数据中的空间依赖性,通过傅里叶变换来缓解时间偏移的影响,结合静态预定义和自适应图,通过经典因果卷积预测未来的交通数据。经过四个真实世界数据集的广泛实验证明,我们的模型具有 - 基于局部加权合拢预测的自动估值模型中的不确定性量化
非参数机器学习模型与符合预测是房地产市场数据中准确预测房屋价格的方法,但由于地理空间上的依赖,直接应用符合预测在不同地理区域的置信区间不完全校准。本研究调查了各种方法来调整符合预测的置信区间以解决此问题,并在挪威奥斯陆房地产市场数据集上验证 - 高效的选择性注意力 LSTM 用于测井曲线合成
通过引入自注意机制分析数据的空间依赖性,本论文提出了一种机器学习方法用于预测缺失的岩屑曲线,并通过实验证实了其有效性和可行性,该方法将传统的 LSTM 神经网络与自注意机制相结合,降低了计算复杂度,提高了模型的效率。实验结果表明,与基于全连 - 走向更精确的移动蜂窝流量预测之路
本文报道了一种新的方法,该方法通过结合免费提供的道路指标来确立数据生成过程和空间依赖性,从而提高了移动蜂窝流量预测的准确性,这可以应用于边缘或中心化学习,可用于预测短期未来一段高速公路覆盖区域的负载。
- 将 OpenStreetMap 中的街道与 Wikidata 中的人物联系起来
该研究提出了一种称为 StreetToPerson 的方法,基于知识图谱中的关系和空间依赖,连接 OpenStreetMap 中的街道和知识图谱中的人物,并在德国的所有 OpenStreetMap 街道中识别出超过 180,000 个连接, - 基于图神经网络和结构化状态空间模型的多元信号时空建模
提出了一种基于图的神经网络模型 GraphS4mer,用于对多变量信号进行时空建模,通过学习动态演化的图结构来捕捉数据中的空间和时间相关性,并在三个不同的任务中测试,发现相较于其它模型,GraphS4mer 有着更优的性能表现。
- 基于跨模态知识共享的自行车共享需求预测:一种基于图的深度学习方法
本研究提出了一种基于图的深度学习方法(B-MRGNN)来预测单车共享需求,并利用多模式历史数据作为输入,在不同交通模式之间建立空间依赖性,实验结果表明比现有方法具有更好的性能。
- DDP-GCN:用于时空交通预测的多图卷积网络
本研究针对交通速度预测问题,通过基于距离、方向和位置关系的图卷积网络构建基本图元素,成功地将空间依赖关系引入深度神经网络, 在高度复杂的城市网络中实现了长期预测并获得了积极的改进。
- 使用本地 - 全局长短期记忆的语义对象解析
该研究提出了一种新型的 LG-LSTM 框架,结合局部和全局信息,以实现计算机视觉中识别语义对象的精细像素级别识别,有着比其他现有方法更优越的性能。