spatial-temporal graph neural networks | BriefGPT

关键词spatial-temporal graph neural networks

搜索结果 - 5

SAGDFN：用于多变量时间序列预测的可扩展自适应图扩散预测网络
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，
PDF18 days ago
KDDGinAR: 适用于变量缺失的端到端多元时间序列预测模型
我们提出了一种名为 GinAR 的图内插注意递归网络，以准确地对有限收集的数据进行空间时间依赖性建模，从而解决历史缺失数据的问题。GinAR 通过内插注意力和自适应图卷积这两个关键组件，能够恢复所有缺失变量，并重新构建正确的空间时间依赖性，
PDF2 months ago
极简交通预测：仅需线性层
STLinear 是一种能够优化智能交通系统和智慧城市愿景的交通预测模型，通过节点嵌入方法、时间序列分解和周期性学习解决了空间 - 时间图神经网络的计算复杂度、梯度问题和资源消耗性等挑战。通过实证研究，STLinear 在真实世界数据集上表
PDFa year ago
HUTFormer：用于长期交通预测的分层 U-Net Transformer
我们首次尝试研究长期交通预测的问题，并提出了一种名为 HUTFormer 的新型模型，通过多尺度表示来有效改善长期交通预测的挑战，并在多个交通数据集上证明其在预测性能上显著优于现有的基准模型。
PDFa year ago
KDD增强型时空图神经网络预训练在多元时间序列预测中的应用
本文介绍了一种新型的预训练框架，将 “可扩展时间序列预训练模型”（STEP）与 “空间 - 时间图神经网络”（STGNN）相结合，通过长期历史时间序列数据的预处理，提供上下文信息，显著提高预测准确性。
PDF2 years ago