图神经网络 | Python基于GNN和ARIMA的时间序列预测

已于 2022-11-21 22:56:57 修改
阅读量1.1k 收藏 7
点赞数
分类专栏： 图与网络分析 时间序列分析（Python） 文章标签： 图神经网络 GNN ARIMA 时间序列预测
于 2022-11-21 21:47:47 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_57362105/article/details/127972739
版权
时间序列分析（Python） 同时被 2 个专栏收录
65 篇文章 620 订阅 ¥29.90 ¥99.00
订阅专栏
图与网络分析
15 篇文章 156 订阅 ¥29.90 ¥99.00
订阅专栏
了解本专栏 订阅专栏 解锁全文
前程算法屋
关注
  • 0
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
图神经网络 | Python实现LSTM-GNN时间序列预测
前程算法屋的博客
11-20 3901
图神经网络 | Python实现LSTM-GNN时间序列预测
基于GNN图神经网络预测（Python完整源码数据包）
11-22
基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包）
基于空间感知图神经网络（GNN）和跨级分子轮廓预测（Python完整源码和数据）
11-27
基于空间感知图神经网络（GNN）和跨级分子轮廓预测（Python完整源码和数据） 基于空间感知图神经网络（GNN）和跨级分子轮廓预测（Python完整源码和数据） 基于空间感知图神经网络（GNN）和跨级分子轮廓预测（Python完整源码和数据）
基于GNN和ARIMA的时间序列预测（Python完整源码和数据包）
11-23
基于GNN和ARIMA的时间序列预测（Python完整源码和数据包） 一个基于GNN和ARIMA的时间序列预测，包括数据预处理和预测方法。 基于GNN和ARIMA的时间序列预测（Python完整源码和数据包） 一个基于GNN和ARIMA的时间序列预测，包括数据预处理和预测方法。
基于GNN神经网络的结构搜索（Python完整源码和数据包）
11-22
基于GNN神经网络的结构搜索（Python完整源码和数据包） 基于GNN神经网络的结构搜索（Python完整源码和数据包） 基于GNN神经网络的结构搜索（Python完整源码和数据包） 基于GNN神经网络的结构搜索（Python完整源码和数据包）
图神经网络 - Python实现LSTM-GNN时间序列预测
11-20
图神经网络 | Python实现LSTM-GNN时间序列预测 LSTM-GNN用于病人的结果预测：一个混合模型，结合了用于提取时间特征的长短期记忆网络（LSTM）和用于提取病人邻域信息的图谱神经网络（GNN）。 关于预测重症监护室（ICU）病人结果的工作主要集中在生理时间序列数据上，基本上忽略了诊断和药物等稀疏数据。当它们被包括在内时，它们通常是在模型的后期阶段被串联起来的，这可能难以从更罕见的疾病模式中学习。通过在图中连接类似的病人，将诊断作为关系信息加以利用。 LSTM-GNNs在eICU数据库的住院时间预测任务中的表现优于仅有LSTM的基线。利用图神经网络从相邻的病人病例中提取信息是一个很有前途的研究方向，在电子健康记录的监督学习性能方面产生了切实的回报。
【论文分享】用于多元时间序列的预训练增强的时空图神经网络
weixin_45378275的博客
02-09 3184
本文提出了一种新的框架，其中STGNN被一个可扩展的预训练时间序列框架（STEP）所增强。具体来说，作者设计了一个预训练模型TSFormer，以有效地从非常长期的历史时间序列（例如，过去两周的多元时间序列）中学习时间模式，并生成片段级的表示。这些表示为STGNNs的短期时间序列输入提供了上下文信息，并促进了时间序列之间的依赖关系建模。
时间序列图神经网络(GNN4TS)综述
AI蜗牛车
09-11 1554
今天为大家梳理一篇有关利用图神经网络进行时间序列分析的综述，文献的下载地址如下：https://arxiv.org/abs/2307.03759概要时间序列可以说是无处不在例，如天气预报、股票，物品销量、汽车运行轨迹等等，因此时间序列分析对云计算、能源、社交网络等多个领域有着重要的意义。时间序列数据通常涉及沿时间维度不同时间点数据之间（例如影响效益传播的滞后）和变量维度（相邻传感器件的相互影响关系...
多元时间序列预测之（三）基于图神经网络的Graph-Wavenet与MTGNN
RicardoOzZ的博客
04-17 7460
文章目录1.关于深度残差学习2.Wavenet与TCN因果卷积与膨胀因果卷积残差连接与跳过连接3.Graph-Wavenet 模型图卷积层（GCN）4.MTGNN 模型图学习层图卷积模块时间卷积模块 本文作为系列第三讲，将正式介绍基于图神经网络的多元时间预测方法。 本文所讲解的Graph-Wavenet与MTGNN是Wu等人先后于2019年和2020年提出的模型，可以认为前者是后者的前身，我认为MTGNN的提出正式开创了基于图网络进行多元时间序列预测的先河。 相关论文（按知识点先后顺序排列）： Dee
【时间序列】时间卷积神经网络
热门推荐
AI蜗牛车
05-19 1万+
在深度学习的知识宝库中，除了前面文章中介绍的RNN，还有一个重要的分支：卷积神经网络（CNN），其广泛应用于视觉，视频等二维或者多维的图像领域。卷积网络具有深度，可并行等多种特性，这种技术...
lstm代码_ARIMA时间序列与LSTM神经网络的PK
weixin_39620197的博客
11-27 1028
作者：李应硕，人大在读授权转载 收藏順便 点个 赞 ，创作不易前言：时间序列算是我接触的第一个统计学实践项目，也是它把我带进了机器学习的大门。当时的我的工作是根据过往投资和赎回量，每天预估一个需要留的钱，有点类似银行准备金。我本想自己写个代码，无奈能力不足，最后让算法工程师帮我写了一套，每天预测准确率大约90%。回头过了1年多我现在都不会，当时肯定写不出来了。正好这周末学习统计预测，上课老师...
图神经网络应用于时间序列异常检测
机器学习社区
09-14 1403
点击蓝字关注我们#TSer#时间序列知识整理系列，持续更新中 ⛳️赶紧后台回复"讨论"加入讨论组交流吧 ????最近，图神经网络技术应用到时间序列的分析，引起了学术界广泛的研究兴趣。本次文章分享两篇最近阅读的，图神经网络用于时间序列异常检测的论文。首先对于多变量时间序列，我们可以将其看作一个矩阵 ，由k个变量，n个时刻组成，由于异常通常是少见的，大部分异常检测方法的套路是采用正常数据来进行建模，测试数据来的时候代入训练好的模型，去看预测误差或者重构误差，然后卡个阈值，超过给定阈值即认为发
知识图谱实战应用18-知识图谱结合图神经网络GNN的实战应用，模型搭建与训练
weixin_42878111的博客
06-30 826
大家好，我是微学AI，今天给大家介绍一下知识图谱实战应用18-知识图谱结合图神经网络GNN的实战应用，模型搭建与训练，本文将详细介绍如何基于Py2neo的知识图谱结合图神经网络（Graph Neural Network, GNN）实现一个应用项目。我们将首先导入CSV数据到Neo4j图数据库，然后利用GNN进行训练和预测。
R语言结合新冠疫情COVID-19对股票价格预测：ARIMA，KNN和神经网络时间序列分析
大数据部落
10-20 2810
原文链接：http://tecdat.cn/?p=24057 原文出处：拓端数据部落公众号 1.概要 本文的目标是使用各种预测模型预测Google的未来股价，然后分析各种模型。Google股票数据集是使用R中的Quantmod软件包从Yahoo Finance获得的。 2.简介 预测算法是一种试图根据过去和现在的数据预测未来值的过程。提取并准备此历史数据点，来尝试预测数据集所选变量的未来值。在市场历史期间，一直有一种持续的兴趣试图分析其趋势，行为和随机反应。不断关注在实际发生之前先..
时间序列分析的图神经网络（GNN4TS）
最新发布
chumingqian的博客
01-17 302
如下图所示，其展示了一个基于任务的分类法，涵盖了时间序列分析中的主要任务和主流建模视角，并展示了GNN4TS的潜力，主要在时间序列预测、异常检测、插补和分类四个类别上展现。该综述首先从任务和方法论的角度对现有的工作进行分类和讨论，然后深入探讨了GNN4TS领域内的六个热门应用领域，并提出了几个潜在的未来研究方向。该综述进行了全面的回顾，不仅涵盖了领域的广度，还深入研究了各个研究的细节，并进行了细致的分类和讨论，为读者提供了对GNN4TS领域中最新技术的了解；如上图所示，四种任务下的GNN4TS的框架。
时序图神经网络总结（1）
qq_42275073的博客
02-04 5819
本系列是整理关于用图神经网络（特别是图卷积）来建模时序图数据的论文。 2016-2017基本概念论文1 Structural Sequence Modeling with Graph Convolutional Recurrent NetworksMotivationMethodModel 1Model 2Result论文2 Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecast
时序图神经网络总结（2）
qq_42275073的博客
02-05 1080
2018论文3 Spatial temporal graph convolutional networks for skeleton-based action recognition. AAAI 2018论文4 Diffusion Convolutional Recurrent Neural Network: Data-Driven Traffic Forecasting. ICLR 2018 论文3 Spatial temporal graph convolutional networks for ske
读论文《用于多变量时间序列预测的多尺度自适应图神经网络》
vzvzvzv的博客
06-04 1312
原标题《Multi-Scale Adaptive Graph Neural Network for Multivariate Time Series Forecasting》
基于多尺度自适应图神经网络的多变量时间序列预测
hellozhxy的博客
09-06 894
本文介绍一篇刚被数据挖掘国际顶级期刊TKDE 2023接收的regular paper。
基于tensorflow写一个图神经网络（GNN）预测的python代码
05-25
以下是一个基于TensorFlow的GraphSAGE模型的代码示例，用于节点分类任务： ```python import tensorflow as tf from tensorflow.keras import layers class GraphSAGE(tf.keras.Model): def __init__(self, n_features, n_classes, n_hidden_layers=2, n_hidden_units=16, agg_method='mean'): super(GraphSAGE, self).__init__() self.n_features = n_features self.n_classes = n_classes self.n_hidden_layers = n_hidden_layers self.n_hidden_units = n_hidden_units self.agg_method = agg_method self.dense1 = layers.Dense(n_hidden_units, activation='relu') self.dense2 = layers.Dense(n_classes) self.aggregator_layers = [] for i in range(n_hidden_layers): self.aggregator_layers.append(layers.Dense(n_hidden_units, activation='relu')) def call(self, inputs): x, adj_matrix = inputs # Aggregation for i in range(self.n_hidden_layers): if self.agg_method == 'mean': x = tf.matmul(adj_matrix, x) x = tf.divide(x, tf.reduce_sum(adj_matrix, axis=1, keepdims=True) + 1) elif self.agg_method == 'max': x = tf.matmul(adj_matrix, x) x = tf.reduce_max(x, axis=1, keepdims=True) else: raise ValueError('Invalid aggregation method') x = self.aggregator_layers[i](x) # Readout x = tf.reduce_mean(x, axis=0) x = self.dense1(x) x = self.dense2(x) return x ``` 在这个代码中，我们定义了一个 `GraphSAGE` 类，它继承自 TensorFlow 的 `Model` 类。在 `__init__` 方法中，我们定义了模型的各种参数和层。在 `call` 方法中，我们定义了模型的前向传播过程。 我们的输入是一个大小为 `(n_nodes, n_features)` 的特征矩阵 `x` 和一个大小为 `(n_nodes, n_nodes)` 的邻接矩阵 `adj_matrix`。在聚合层中，我们使用邻接矩阵来聚合每个节点的邻居特征。我们可以使用平均值或者最大值来聚合邻居特征。在读出层，我们将所有节点的聚合表示取平均值，并将其输入到一个全连接层中，最后输出分类结果。 需要注意的是，这个代码示例中的 GraphSAGE 模型只是 GNN 中的一种，而且还有许多其他的 GNN 模型。不同的 GNN 模型可能具有不同的聚合方式和读出方式。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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

打赏作者

前程算法屋

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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