关键词spatio-temporal graph learning
搜索结果 - 5
- 一个面向时空图传输学习的生成预训练框架
我们提出了一种新颖的生成式预训练框架 GPDiff，用于解决智能城市应用中由于数据稀缺导致的空间 - 时间图 (STG) 学习问题。通过将 STG 迁移学习重新视为生成式超网络的预训练，我们的方法能够在多个真实数据集上显著优于现有方法，对于 - 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。
- 融合扩散模型的概率时空图学习方法
在这篇论文中，我们提出了统一的时空扩散模型（USTD），以条件信息和共享的时空模式为基础，统一地处理学习任务。USTD 综合设计了共享的时空编码器和基于注意力的去噪网络，有效捕捉条件时空模式并生成预测。与确定性编码器和概率扩散模型的优点相结 - KDD跨城市知识迁移的时空图少样本学习
针对数据稀缺的城市，在跨城市知识转移的基础上，提出了一个面向时空图的模型不可知少样本学习框架 ST-GFSL，用于从城市之间不规则的时空相似性中提高特征提取的质量，重构图结构以实现结构感知学习并提高交通速度预测的准确性。
- ST-UNet: 用于图结构时间序列建模的时空 U 型网络
文章讲述了设计一种新的多尺度体系结构，Spatio-Temporal U-Net（ST-UNet），用于图形结构的时间序列建模。该模型可有效地捕获多个尺度的综合特征，并在多个真实世界数据集上实现了显着的改进。