时间序列预测 Graph-WaveNet：Graph WaveNet for Deep Spatial-Temporal Graph Modeling

置顶 已于 2024-05-09 09:55:20 修改
阅读量982 收藏
点赞数 33
分类专栏： 时间序列预测 文章标签： python 深度学习 神经网络 人工智能 pytorch 智慧城市
于 2023-10-18 21:44:54 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/133915485
版权

Graph-WaveNet


**

Graph WaveNet for Deep Spatial-Temporal Graph Modeling

**

1.概述

时空图建模是分析系统中各组成部分的空间关系和时间趋势的一项重要任务。现有的方法大多捕获固定图结构上的空间依赖，假设实体之间的底层关系是预先确定的。然而，明确的图结构(关系)并不一定反映真实的依赖关系，由于数据中的连接不完整，可能会丢失真实的关系。此外，现有的方法无法捕获时间趋势，因为这些方法中使用的rnn或cnn无法捕获长时间序列。

为了克服这些限制，我们在本文中提出了一种基于CNN的新的图神经网络架构Graph-WaveNet，用于时空图建模。通过建立一种新的自适应邻接矩阵，并通过node embedding学习该矩阵，该模型可以准确地捕获数据中隐藏的空间依赖。通过a stacked dilated casual 1D convolution component 实现感受野随层数指数级增长，Graph WaveNet能够处理非常长的序列。这两个组件无缝地集成在一个统一的框架中，整个框架以端到端的方式学习。

在metro - la和PEMS-BAY两个公共交通网络数据集上的实验结果证明了该算法的优越性能。

2.提出问题 & 解决策略 & 模型结构

在这里插入图片描述

3.实验结果

在这里插入图片描述
在这里插入图片描述

苹果就叫不呐呐
关注
  • 33
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
mini-graph-card:家居助手Lovelace UI的简约图形卡
04-29
Lovelace迷你图形卡用于 Lovelace UI... 抓取mini-graph-card-bundle.js ： $ wget https://github.com/kalkih/mini-graph-card/releases/download/v0.10.0/mini-graph-card-bundle.js添加如下所述的资源引用。添加资
Graph WaveNet for Deep Spatial-Temporal Graph Modeling
小蚂蚁与大象
06-01 1093
Graph WaveNet for Deep Spatial-Temporal Graph Modeling 时空图建模是分析系统中各组成部分的空间关系和时间趋势的一项重要任务。现有的方法大多捕捉固定图结构的空间依赖性，假设实体之间的潜在关系是预先确定的。但是，显式的图结构(关系)并不一定反映真实的依赖关系，真正的关系可能会因为数据中的连接不完整而缺失。此外，现有的方法无法捕获时间趋势，因为这些方法中使用的rnn或cnn不能捕获长期时间序列。为了克服这些局限性，我们在本文中提出了一种新的图神经网络结构，图
Graph WaveNet：用于时空图建模的图神经网络结构
zuiyishihefang的博客
08-19 3212
1.文章信息文章题为《Graph WaveNet for Deep Spatial-Temporal Graph Modeling》是一篇发表于“Proceedings of the Twenty-Eighth International Joint Conference on Artificial Intelligence (IJCAI-19)”，有关时空图建模的论文。2.摘要时空图建模是分析系...
Graph WaveNet 深度时空图建模
zuiyishihefang的博客
02-28 1565
1.文章信息本次介绍的文章是2019年发表在第28届人工智能国际联合会议论文集(IJCAI-19)的《Graph WaveNet for Deep Spatial-Temporal Graph Modeling》。2.摘要时空图建模是分析系统中各组成部分的空间关系和时间趋势的重要任务。现有的方法大多捕获固定图结构上的空间依赖性，假设实体之间的潜在关系是预先确定的。但是，显式的图结构(关系)并不一...
不确定性时空图建模系列（一）: Graph WaveNet
zuiyishihefang的博客
09-28 4199
1、文章信息《Graph WaveNet for Deep Spatial-Temporal Graph Modeling》。这是悉尼科技大学发表在国际顶级会议IJCAI 2019上的一...
Graph WaveNet代码入门详解
Cherry_csc的博客
10-26 1669
pkl文件通常是使用Python中的。
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 7639
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
msgraph-sdk-java:适用于Java的Microsoft Graph SDK
04-20
适用于Java的Microsoft Graph SDK 将集成到Java应用程序中，即可开始使用Java的Microsoft Graph SDK。 注意：此SDK允许您使用Microsoft Graph 来构建应用程序。 如果您想在beta下尝试最新的Microsoft Graph API，...
callgraph-gen:从 elf 二进制文件生成调用图
05-29
$ sudo apt install libpcre2-dev libxml2-dev签出存储库并初始化所有子模块 $ git clone https://github.com/kuopinghsu/callgraph-gen.git$ cd callgraph-gen$ git submodule update --init --recursive建造 $ ...
clj-graph-visualizer:一个Clojure项目以可视化图形
05-17
clj-graph-visualizer clj-graph-visualizer只是评估如何处理非常大的图的实验。 安装 $ ./lein.sh uberjar 用法 $ java -jar clj-graph-visualizer1-0.1.0-standalone.jar 演示版 最初，该图仅具有根名称“ root...
graph_wave
02-16
快速节点嵌入算法。 GraphWave的实现[1] [1] ·· GraphWave实现 GraphWave [1]是一种节点嵌入算法，由Claire Donnat，Marinka Zitnik，David Hallac和Jure Leskovec于2018年提出。它使用了离散信号处理技术。 此处发布的版本使用传播的图信号的快速切比雪夫近似值。 此外，我们构建了一些简单的可视化框架，以便可以轻松地可视化传播的图形信号。 例子 一个在单个节点上具有delta小波的随机图。 颜色显示热量散布（注意：色标随时间变化）。 节点嵌入的二维主成分分析（PCA）。 执照 根据MIT许可证分发。 接触 蒂姆·罗纳（Tim Rohner） 项目链接： :
WaveNet论文
11-22
This paper introduces WaveNet, a deep neural network for generating raw audio waveforms. The model is fully probabilistic and autoregressive, with the predic- tive distribution for each audio sample conditioned on all previous ones; nonethe- less we show that it can be efficiently trained on data with tens of thousands of samples per second of audio. When applied to text-to-speech, it yields state-of- the-art performance, with human listeners rating it as significantly more natural sounding than the best parametric and concatenative systems for both English and Mandarin. A single WaveNet can capture the characteristics of many different speakers with equal fidelity, and can switch between them by conditioning on the speaker identity. When trained to model music, we find that it generates novel and often highly realistic musical fragments. We also show that it can be employed as a discriminative model, returning promising results for phoneme recognition.
graph-coloring:为图形着色的算法
03-31
graph-coloring:为图形着色的算法
论文笔记：Graph WaveNet for Deep Spatial-Temporal Graph Modeling
qq_40206371的博客
01-31 739
时空数据挖掘问题大多数使用邻接矩阵来建模节点之间的属性关系，这种思路的一个基本假设是：节点信息取决于自身和邻居的历史信息。但这类模型的假设存在着一些问题：未能充分建模节点之间的依赖关系两个节点之间没有连边，但是有依赖关系两个节点虽然是邻居节点，但是没有依赖关系未能有效学习到时间的依赖关系RNN：迭代传播耗时（无法并行）、存在梯度爆炸/消失的问题CNN：需要迭代很多层，才能得到较大的感受野。
时空预测4-graph wavenet
yuetan的博客
07-25 638
graph wavent
用于深层时空图建模的 Graph WaveNet
stranger_Ss的博客
05-10 1497
时空图建模可用于分析空间关系和时间趋势。现有的方法大多捕捉固定图形结构上的空间依赖性，假设实体之间的底层关系是预先确定的。显式图结构（关系）不一定反映真实的依赖关系。且现有的方法对于捕捉时间趋势是无效的，因为其使用的RNN或CNN不能捕获长时间序列。本文提出了一种新的用于时空图建模的图神经网络结构Graph WaveNet。开发一种新的自适应依赖矩阵并通过节点嵌入进行学习，故可以捕获数据中隐藏的空间依赖。Graph WaveNet具有一个堆叠的扩展一维卷积组件，其感受野随着层数的增加呈指数增长，能够处理非常
用于时空建模的图小波网络Graph WaveNet for Deep Spatial-Temporal Graph Modeling
最新发布
chumingqian的博客
12-21 203
时空数据挖掘问题大多数使用邻接矩阵来建模节点之间的属性关系，这种思路的一个基本假设是：节点信息取决于自身和邻居的历史信息。但这类模型的假设存在着一些问题：未能充分建模节点之间的依赖关系两个节点之间没有连边，但是有依赖关系两个节点虽然是邻居节点，但是没有依赖关系未能有效学习到时间的依赖关系RNN：迭代传播耗时（无法并行）、存在梯度爆炸/消失的问题CNN：需要迭代很多层，才能得到较大的感受野。
Graph Wavenet 学习笔记
xjmxyt的博客
03-11 1629
Graph Wavenet 学习笔记Graph Wavenet 学习笔记当前研究的limitation文章的主要贡献采用的方法图卷积层功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式学习内容：学习时间：学习产出：插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 Graph Wav
wavenet时间序列预测---TensorFlow版（附源码+数据）
每天进步一点点
09-10 2633
利用wavenet做单一时间序列预测 训练后的loss函数如下 模型预测效果图 wavenet原理简介 WaveNet的核心是扩张的因果卷积层（Dilated Casual Convolutions），它允许它正确处理时间顺序并处理长期依赖，而不会导致模型复杂性的爆炸。以下是DeepMind帖子中其结构的可视化： 首先，我们在输入序列上滑动权重过滤器，顺序地将其应用于系列的（通常是重叠的）区域。但是当我们使用时间序列的历史来预测它的未来时，我们必须要小心。当我们形成最终将输入步骤连接到输出的层时，我们
graph-wavenet
09-25
Graph-WaveNet是一种基于图神经网络的语音合成模型。它是Google DeepMind提出的一种创新性的语音合成方法。传统的语音合成模型如WaveNet使用的是基于序列的模型，即将语音合成视为一个逐个采样的过程，这样会导致...

“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