时间序列预测 STGODE： Spatial-Temporal Graph ODE Networks for Traffic Flow Forecasting 学习笔记

置顶 已于 2023-10-21 09:59:17 修改
阅读量929 收藏 6
点赞数 1
分类专栏： 时间序列预测 文章标签： 学习 笔记 python 深度学习 神经网络 pytorch
于 2023-08-13 15:44:44 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/prince0520/article/details/132260106
版权

STGODE

Spatial-Temporal Graph ODE Networks for Traffic Flow Forecasting

现有的工作通常使用浅图卷积网络(gnn)和时间提取模块分别对空间和时间依赖性进行建模。
然而由于:
(1)浅层gnn无法捕获远程空间相关性，
(2)仅考虑空间连接而忽略了大量的语义连接。

为此提出了时空图常微分方程网络(STGODE)

具体来说，通过基于张量的常微分方程(ODE)捕捉时空动态，从而构建更深层次的网络，并同步利用时空特征。
为了更全面地理解网络，模型中考虑了语义邻接矩阵，并使用设计良好的时间dialated卷积结构来捕获长期时间依赖性。

在多个真实世界的交通数据集上评估我们的模型，并在最先进的基线上实现了卓越的性能。

STGODE能够利用更远距离的地理邻居和语义邻居的特征信息，有助于准确捕捉实时动态并过滤无效信息，而STGCN作为浅层网络，受附近邻居较少的影响，因此性能不稳定

地理邻居和语义邻居的特征信息+深层次网络

文章目录

一、背景与模型设计

在这里插入图片描述
在这里插入图片描述

二、邻接矩阵的构造

在这里插入图片描述

三、Tensor-based Spatial-Temporal Graph ODE 基于张量的时空图ODE

在这里插入图片描述

四、最终构建的常微分方程

相当于是用ODESolver代替了之前的图卷积，用TCN的输出和给出的邻接矩阵作为输入
在这里插入图片描述

五、Temporal Convolutional Blocks 时间卷积模块

1-D dilated temporal convolutional 1D膨胀卷积
在这里插入图片描述

六、消融实验

在这里插入图片描述

总结

为了解决复杂的时空问题，已经提出了大量的工作，但很少有人关注如何在不受过度平滑问题影响的情况下提取远程依赖关系。本文提出了一种新的基于张量的时空预测模型STGODE。这是第一次尝试将连续微分方程连接到交通领域道路网络的节点表示，从而能够构建更深层次的网络并利用更广泛的依赖关系。此外，语义邻居的参与极大地提高了模型的性能。
论文原文：
在这里插入图片描述

代码可讨论分享

其他笔记：
STGODE笔记
Understanding Adjoint Method of Neural ODE

苹果就叫不呐呐
关注
  • 1
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
stgode
weixin_43057295的博客
05-25 238
NODE的定义： h(t+1)=f(h(t),θ(t),t) \mathbf{h}(t+1)=f(\mathbf{h}(t), \boldsymbol{\theta}(t), t) h(t+1)=f(h(t),θ(t),t) fff是参数θ(t)\boldsymbol{\theta}(t)θ(t)的第ttt层神经网络，例如：h(t+1)=σ(Wth(t)+bt)\mathbf{h}(t+1)=\sigma\left(\mathbf{W}_{t} \mathbf{h}(t)+\boldsymbol{b}_{t
Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting
02-08
Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting
探索不规则时间序列的奥秘：Latent ODEs深度解析与应用
最新发布
gitblog_00009的博客
06-07 290
探索不规则时间序列的奥秘：Latent ODEs深度解析与应用 项目地址:https://gitcode.com/YuliaRubanova/latent_ode 在数据科学的广阔领域中，处理时间序列数据一直是众多研究和实践的重点。特别是当遇到不规则采样数据时，传统的模型往往力有不逮。今天，我们要向大家隆重推荐一个开源项目——Latent ODEs for Irregularly-Sampled ...
Spatial-Temporal Graph ODE Networks for Traffic Flow Forecasting
qq_44219784的博客
03-10 1629
交通流量的复杂性和长范围时空相关性是难点
【论文笔记】动态图神经常微分方程 Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs
weixin_44064434的博客
06-01 2104
多元时间序列预测在能源消耗和交通预测等实际应用中一直受到了广泛的关注。虽然最近的方法显示出良好的预测能力，但它们有三个基本的限制。(i).离散的神经结构：交错使用单独参数化的空间和时间块来编码丰富的潜在模式，会导致不连续的潜在状态轨迹和更高的预测数值误差(ii).高复杂性：离散方法使具有专用设计和冗余参数的模型复杂化，导致了更高的计算开销和内存开销。(iii).依赖于图的先验：依赖于预定义的静态图结构限制了其在现实应用中的有效性和实用性。在本文中，我们通过提出一个用动态图神经常微分方程(MTGODE)预测多
Spatial-Temporal Fusion Graph Neural Networks for Traffic Flow Forecasting (AAAI-21)
小蚂蚁与大象
06-04 1271
Spatial-Temporal Fusion Graph Neural Networks for Traffic Flow Forecasting (AAAI-21) 交通流量预测问题 背景：1）第一个限制是缺乏信息图结构信息。现有模型大多只利用给定的空间邻接矩阵对图进行建模，在对邻接矩阵建模时忽略了节点之间的时间相似性 2）目前的时空数据预测研究在捕捉局部相关性和全局相关性之间的依赖方面是无效的。 方案：为了捕捉局部和全局复杂的时空相关性，我们提出了一种新的基于cnn的框架，称为时空融合图神经
【时间序列】从 ICLR 2022 投稿中了解图神经网络和时间序列相结合的研究趋势...
AI蜗牛车
11-02 4269
这篇文章从 ICLR 2022 的论文投稿中学习下 「时间序列」 和 「图神经网络」 相结合的研究趋势，主要包含较为个人关注的两个研究领域融合；然后总结下研究趋势。首先介绍下 ICLR 会...
Deep Spatial-Temporal 3D Convolutional Neural Networks for Traffic Data Forecasting
02-08
Deep Spatial-Temporal 3D Convolutional Neural Networks for Traffic Data Forecasting
期权matlab代码-Spatial-Temporal-Pooling-Networks-ReID:ICCV2017论文的代码-联合专注的时空
05-26
Spatial-Temporal Pooling Networks for Video-based Person Re-Identification}, author={Shuangjie Xu, Yu Cheng, Kang Gu, Yang Yang, Shiyu Chang and Pan Zhou}, booktitle={ICCV}, year={2017} } 依存关系 ...
A novel depth spatial-temporal consistency enhancement algorithm for high compression performance
02-09
can compensate both spatial and temporal depth information<br />inaccuracy by using Bayesian probability model and Rival<br />penalized competitive learning in Self-Organizing Maps. ...
Spatial-Temporal-Pooling-Networks-ReID:徐双杰（2017.https
05-14
时空池网络（Spatial-Temporal Pooling Networks, STPN）是计算机视觉领域中行人重识别（Person Re-Identification, ReID）的一种创新性方法。在ICCV 2017上，徐双杰提出了这一技术，旨在解决跨摄像头下行人检测和...
【论文分享】Spatial-Temporal Transformer Networks for Traffic Flow Forecasting
zn0412的博客
11-15 8132
摘要        交通预测已经成为智能交通系统的一个核心组成部分。然而，由于交通流的高度非线性和动态时空依赖性，及时准确的交通预测，特别是长期预测，仍然是一个公开的挑战。在本文中，我们提出了一种新的时空Transformer网络（STTNs），它联合利用动态的定向空间依赖和长距离的时间依赖来提高长期交通流预测的准确性。我们提出了一种新的图神经网络变体，名为空间Transformer，以动态的方式建立具有自注意力机制的有向空间依赖关系模型
(ASTGCN)Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting
weixin_45061211的博客
06-14 3209
ASTGCN，对图神经网络和时间序列预测感兴趣的同学可以看一下
从几篇综述区分Dynamic Graph和Spatial-temporal Graph
羊城迷鹿的博客
02-28 5614
Foundations and modelling of dynamic networks using Dynamic Graph Neural Networks: A survey 本文首先给出了动态网络的定义和分类，然后分别从编码和解码的角度介绍了图神经网络模型如何用于动态图的嵌入表示以及完成链路预测任务 动态网络 定义 动态网络是随时间变化的复杂网络。链接和节点可能出现和消失。 一个 动态网络可以表示为一个图G=(V,E)G=(V, E)G=(V,E)，其中V={(v,ts,te)}V=\{(v
Stcode通用快速开发框架介绍
baidu_37313657的博客
07-24 738
目录github地址项目描述项目简介项目技术项目特点数据权限设计项目结构项目模块介绍项目截图stcode-adminstcode-admin swagger文档stcode-apistcode-generator项目启动配置流程项目分布式部署 github地址 https://github.com/hailangsun/stcode 项目描述 stcode = Study the code 缩写,stcode通用快速开发框架采用免费开源方案Spring Boot、mybatis-plus、Shiro搭建的
Spatial-Temporal Transformer Networks for Traffic Flow Forecasting
qq_30516823的博客
01-30 3661
Spatial-Temporal Transformer Networks for Traffic Flow Forecasting 作者：徐明星 （清华大学）Mingxing Xu, 戴文睿（上交大）等 下载链接 Abstract 交通流具有高度的非线性和动态的时空相关性，如何实现及时准确的交通预测，特别是长期的交通预测仍然是一个开放性的挑战 提出了一种新的Spatio-Temporal Transformer Network(STTNs)范式，该范式联合使用 dynamical directed sp
论文笔记《Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting》
热门推荐
mintminty的博客
04-21 1万+
1. Abstract 本文目标是预测交通流，该问题最大的挑战是交通流数据的高度非线性和复杂的关系模式。现存的预测方法缺乏对交通流动态时空关系的建模，于是本文提出一种带注意力机制的图卷积神经网络 attention based spatial-temporal graph convolutional network (ASTGCN) model 具体思路： 模型由3个独立的组件，每个组件分别对交通...
时空上下文的序列多标签视频注释：SVM-SML方法
"序列多标签：具有时空上下文的统一视频注释方案" 本文主要探讨了自动视频注释在内容为基础的视频索引和检索中的重要性，并提出了一个新的方法，即序列多标签（Sequence Multi-Labeling，SML），用于解决视频注释的...

“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
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