GC-LSTM原理+代码（下）代码部分基于PyG Temporal

已于 2023-08-25 10:40:48 修改
阅读量7k 收藏 105
点赞数 10
分类专栏： 图神经网络 文章标签： lstm 深度学习
于 2022-11-24 11:48:42 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_53961910/article/details/128007946
版权
本文介绍了如何使用PyGTemporal库中的GCLSTM模块构建一个流量预测模型。首先，数据经过预处理，包括归一化和切分训练集与测试集。然后，构建了GCN_LSTM模型，该模型结合了图卷积网络（GCN）和长短期记忆网络（LSTM），其中GCN部分使用了切比雪夫滤波器。在训练过程中，通过最小化均方误差损失函数进行优化。最后，展示了模型的训练损失曲线及预测结果，验证了模型的预测能力。
摘要由CSDN通过智能技术生成

上一篇文章GC-LSTM原理部分中具体介绍了GC-LSTM的原理，这里基于PyG Temporal中的GCLSTM模块对实现一个基于GC-LSTM的预测模型。注：这里可以是流量预测等各种节点特征。

补充说明：GCLSTM模型中使用的是切比雪夫滤波器（多项式滤波器），我之前忽略了这一点，下面的模型中，大家可以根据需要将参数K进行调试。

 

一、数据预处理

这里图拓扑的结构G=(V,L)和邻接矩阵A\in R^{N\times N}如图所示，N=10：

节点特征矩阵X_{t}\in R^{N\times F\times T}，这里只展示了其中一个节点的特征向量随时间的变化，只选取了一个指标即F=1：

 接下来我们需要对数据进行预处理，具体过程如代码所示：

def clean_train_test_data(traindata, testdata):
    sc = M
最低0.47元/天 解锁文章
早睡早起困得早
关注
专栏目录
实战17：GCN+LSTM图卷积神经网络预警预测 完整代码数据集
06-16 641
实战17：GCN+LSTM图卷积神经网络预警预测 完整代码数据集
GC-LSTM:用于动态网络链路预测的图卷积嵌入原理+代码（上）原理部分
m0_53961910的博客
11-23 7813
GC-LSTM利用GCN提取图数据的拓扑结构特征，LSTM提取序列数据的时序特征，从而能够对动态变化的图拓扑进行预测。本文详细介绍了GC-LSTM模型的原理，并基于PYG Temporal对其进行代码实现。
GCN-LSTM实现时空预测
最新发布
weixin_44992737的博客
07-10 1096
GCN-LSTM实现交通流量预测,时空预测,
temporal-gcn-lstm:使用应用内操作图表征和预测用户参与度的代码
05-10
时态gcn-lstm 使用应用内操作图表征和预测用户参与度的代码：Snapchat的案例研究 Temporal-gcn-lstm模型对时间演变的动作图进行编码，以预测未来的用户参与度。 端到端的多通道神经模型还对活动序列和其他宏观特征进行编码，以达到最佳性能。 要求 DGL，NetworkX，PyTorch，Pandas，Numpy，SciKit-Learn，tqdm 深度图库（DGL） pytorch 建立动作图 build_graphs.py：为时间段构建静态图 build_temporal.py：每天建立时间图 python3 build_graphs.py INPUT_PATH OUTPUT_PATH python3 build_temporal.py INPUT_PATH OUTPUT_PATH 楷模 utils.py：支持功能 activity_seq_model
python基于GCN（图卷积神经网络模型）和LSTM（长短期记忆神经网络模型）开发构建污染物时间序列预测模型
Together_CZ的博客
11-22 3173
python基于GCN（图卷积神经网络模型）和LSTM（长短期记忆神经网络模型）开发构建污染物时间序列预测模型
时空预测2-GCN_LSTM
yuetan的博客
06-28 3559
GCN LSTM
论文学习|集成式DGNN|GC-LSTM: 图卷积嵌入LSTM用于动态网络链路预测
m0_57369737的博客
10-21 2765
GC-LSTM学习
基于Bi-LSTM+FastText网络舆情情感分析python源码+详细代码注释.zip
05-14
基于Bi-LSTM+FastText网络舆情情感分析python源码+详细代码注释.zip个人经导师指导并认可通过的98分大作业设计项目，主要针对计算机相关专业的正在做课程设计、期末大作业的学生和需要项目实战练习的学习者。...
基于matlab的CNN-LSTM深度学习网络训练,+含代码操作演示视频
05-11
基于matlab的CNN-LSTM深度学习网络训练,有用的特征从CNN层中提取，然后反馈到LSTM层，该层形成预测的上下文顺序+含代码操作演示视频 运行注意事项：使用matlab2021a或者更高版本测试，运行里面的Runme.m文件，不要...
CNN-LSTM Matlab源码，包括原数据
02-10
接着，使用`patternnet`或`conv2dnet`构建CNN部分，`lstmLayer`构建LSTM部分，并通过`series2cell`将序列数据转化为适合LSTM的输入形式。最后，利用`trainNetwork`进行模型训练，并用`classify`或`predict`进行预测...
GCN-LSTM 图神经网络和时间序列时空组合模型使用的数据集和python代码
12-20
SZ-taxi。该数据集由深圳2015年1月1日至1月31日的出租车轨迹数据组成，本文选取罗湖区156条主要道路作为研究区域。实验数据主要包括两部分。一个是156*156的邻接矩阵，它描述了道路之间的空间关系。每一行表示一条道路，矩阵中的值表示道路之间的连接性。另一个是特征矩阵，它描述了每条道路上的速度随时间的变化。每一行代表一条路，每一列是不同时段道路上的交通速度。每15分钟计算一次每条路上的车速。GNN-LSTM GCN GNN LSTM RNN
pytorch_geometric_temporal:PyTorch Geometric的时间扩展库
03-19
| | PyTorch几何态是时间（动态）扩展文库。 该库包含来自各种已发表研究论文的各种动态和时间几何深度学习，嵌入以及时空回归方法。此外，它还提供了易于使用的数据集加载器和迭代器，用于动态和时间图以及gpu支持。它还附带了许多带有时间和动态图的基准数据集（您也可以创建自己的数据集）。 引用 如果您发现PyTorch Geometric Temporal和新的数据集对您的研究有用，请考虑添加以下引用： @misc { pytorch_geometric_temporal , author = { Benedek, Rozemberczki and Paul, Scherer and Yixuan, He and Oliver, Kiss and Nicolas, Collignon } , title = { {PyTorch Geometric Tempor
PyG Temporal搭建STGCN实现多变量输入多变量输出时间序列预测
KI的博客
01-11 6890
PyG Temporal搭建STGCN实现多变量输入多变量输出时间序列预测
GCN-LSTM 预测出租车速度 英文 Taxi Speed Prediction Using GCN-LSTM
Amzmks的博客
01-08 1581
又称GNN，图神经网络 LSTM：长短时记忆网络。
GCA-LSTM代码笔记
qq_26658517的博客
05-19 924
1.tf.data.TFRecordDataset #读取tf数据 tfrecord_dataset = tf.data.TFRecordDataset(dataset) #取buffer_size个数据放入缓冲区，打乱顺序 tfrecord_dataset = tfrecord_dataset.shuffle(buffer_size=1000) ##在_parse_函数中对每一条数据进行解析、处理 tfrecord_dataset = tfrecord_datase...
GCN-LSTM预测道路交通车辆速度 英文 Vehicle Speed Forecasting Based On GCN-LSTM Combined Model
Amzmks的博客
01-05 2039
GCN-LSTM模型预测道路交通车辆速度。
GCN图神经网络和LSTM的介绍和使用场景 中英文
Amzmks的博客
01-07 3119
算法所做的只是重复相同的过程，对上一层输出的更新权重的较小的图再次更新权重，输出新的图。但是，与全连接神经网络不同的是，在GCN的每一层的开始都有一个预处理步骤，让节点收集其所有邻接节点的值，并聚合它们。LSTM 节点像普通的BP神经网络节点一样，具有确定在计算中使用输入数据的权重的参数，但 LSTM 还具有称为门的参数，它控制了节点内的信息流。获得了若干时间点的速度，目标是预测出租车速度序列中的下一个具体数值，但是，如果模型没有获取速度序列的上下文，这个预测是不可能的。这可以被认为是分两个步骤发生的。
GNN-第三方库：PyTorch Geometric Temporal【PyG的一个时间图神经网络扩展库】
u013250861的博客
10-31 1761
PyTorchGeometricTemporal是PyTorchGeometric（PyG）的一个时间图神经网络扩展库。它建立在开源深度学习和图形处理库之上。PyTorchGeometricTemporal由最先进的深度学习和参数学习方法组成，用于处理时空信号。PyTorchGeometricTemporal是第一个用于几何结构的时间深度学习的开源库，并在动态和静态图上提供常量时差图神经网络。我们使用离散时间图快照（discretetimegraphsnapshots）来实现这一点。...
Dual-CNN+Bi-LSTM (DCNN+Bi-LSTM)
01-18
Dual-CNN+Bi-LSTM (DCNN+Bi-LSTM)是一种结合了Dual-CNN和Bi-LSTM的网络模型，用于文本分类任务。它的结构包括两个主要部分：Dual-CNN和Bi-LSTM。 Dual-CNN是一种使用两个不同大小的卷积核进行卷积操作的模型。它的目的是捕捉不同大小的语义信息。通过使用不同大小的卷积核，Dual-CNN可以同时捕捉局部和全局的语义特征。 Bi-LSTM是一种双向长短期记忆网络，用于学习文本中的上下文信息。Bi-LSTM通过同时考虑前向和后向的上下文信息，可以更好地理解文本的语义。 下面是一个示例代码，演示了如何实现Dual-CNN+Bi-LSTM模型： ```python import tensorflow as tf from tensorflow.keras.layers import Input, Embedding, Conv1D, MaxPooling1D, Bidirectional, LSTM, Dense # 定义输入层 input_layer = Input(shape=(max_length,)) # 定义嵌入层 embedding_layer = Embedding(vocab_size, embedding_dim)(input_layer) # 定义Dual-CNN层 conv1 = Conv1D(filters=32, kernel_size=3, activation='relu')(embedding_layer) conv2 = Conv1D(filters=32, kernel_size=5, activation='relu')(embedding_layer) pool1 = MaxPooling1D(pool_size=2)(conv1) pool2 = MaxPooling1D(pool_size=2)(conv2) # 将Dual-CNN层的输出拼接起来 concat = tf.keras.layers.concatenate([pool1, pool2], axis=1) # 定义Bi-LSTM层 lstm = Bidirectional(LSTM(64))(concat) # 定义输出层 output_layer = Dense(num_classes, activation='softmax')(lstm) # 定义模型 model = tf.keras.Model(inputs=input_layer, outputs=output_layer) # 编译模型 model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy']) # 训练模型 model.fit(X_train, y_train, epochs=10, batch_size=32) # 使用模型进行预测 predictions = model.predict(X_test) ``` 请注意，上述代码中的`max_length`是输入文本的最大长度，`vocab_size`是词汇表的大小，`embedding_dim`是嵌入层的维度，`num_classes`是分类的类别数。你需要根据你的具体任务进行相应的调整。
评论 50
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值