T-GCN(时间图卷积网络) 泛读笔记

最新推荐文章于 2024-05-31 14:52:45 发布
最新推荐文章于 2024-05-31 14:52:45 发布
阅读量2.1k 收藏 16
点赞数
分类专栏： 时空序列预测论文
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/qq_41451283/article/details/119272995
版权

T-GCN(时间图卷积网络) 泛读笔记

1.文章概述

1.主要贡献

  • 将图卷积和GRU结合提出了T-GCN网络。图卷积用于捕捉道路网络的拓扑结构，建模空间依赖。GRU用于捕获时间相关性。
  • T-GCN模型在不同时间间隔的预测结果呈现稳态，也就是说在长期预测上性能较好。
  • 在两个数据集上的实验结果与之前的baseline相比有加大提升

2.模型介绍

变量定义：

变量定义
G ( V , E ) G(V,E) G(V,E)无权重图
V V V​节点
E E E边
X N × P X^{N\times P} XN×P特征矩阵
A A A邻阶矩阵

image-20210731102541412

2.1 Spatial Dependence Modeling

使用GCN模型从交通数据中学习空间特征。2层GCN模型可以表示为:

image-20210731110317555

2.2 T emporal Graph Convolutional Network

使用GRU进行时间依赖的捕捉相较于LSTM只有两个门：reset gate，update gate，T-GCN总体看下来就是对GRU网络的输入X进行了图卷积操作提取空间依赖后再输入GRU网络具体公式如下：
image-20210731111637177

2.3 损失函数定义

loss ⁡ = ∥ Y t − Y ^ t ∥ + λ L r e g \operatorname{loss}=\left\|Y_{t}-\widehat{Y}_{t}\right\|+\lambda L_{r e g} loss=∥∥∥​Yt​−Y t​∥∥∥​+λLreg​

wwj灬
关注
  • 0
    点赞
  • 踩
  • 16
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
从三维（基因表达、条件和时间）数据构建时序基因共表达网络（TO-GCN）的管道
05-10
从三维（基因表达、条件和时间）数据构建时序基因共表达网络（TO-GCN）的管道 Pipeline of time-ordered gene coexpression network (TO-GCN) construction from three-dimensional (gene expression, condition, and time) data
(24) T-GCN-时间图卷积网络用于交通预测
zuiyishihefang的博客
09-24 1万+
交通预见未来(24): T-GCN-时间图卷积网络用于交通预测 1、文章信息 《T-GCN: A Temporal Graph Convolutional Network for Traffic Prediction》。 中南大学 地球科学与信息物理学院 2019年发在IEEE Transactions on Intelligent Transportation Systems上的一篇文章。...
比较转录组学方法推断基因共表达网络及其在玉米和水稻叶片转录组中的应用 TO-GCN时序分析-文献精读-8
weixin_44874487的博客
04-19 1024
在不同条件下获得的生物过程的时间序列转录组有助于识别该过程的调节因子及其调节网络。然而，这类数据是3D的（基因表达、时间和条件），目前还没有方法能够处理它们的全部复杂性。在这里，我们开发了一种避免在条件间进行时间点对齐和标准化的方法。我们将其应用于分析在光暗周期及全黑暗条件下玉米叶片发育的时间序列转录组，获得了八个时间有序的基因共表达网络（TO-GCNs），这些网络可以用来预测GCNs中任何基因的上游调节因子。
GCN 代码解析(一) for pytorch
最新发布
weixin_47332746的博客
05-31 1035
在前文中，已经对图卷积神经网络（Graph Convolutional Neural Networks, GCN）的理论基础进行了深入探讨。接下来的章节将会进入新的阶段——将借助PyTorch，这一强大的深度学习框架，通过实战讲解来展示如何构建和训练一个图卷积神经网络。这一过程不仅将帮助读者巩固理论知识，更重要的是，它将引导读者迈出理论到实践的关键一步，从而在处理具有图结构数据的问题上实现质的飞跃。
T-GCN:用于交通流预测的时序图卷积网络
zuiyishihefang的博客
05-17 5801
1.文章信息本次介绍的文章是2020年发表在IEEE 智能交通系统汇刊上的《T-GCN: A Temporal Graph Convolutional Network for Traffic Prediction》。2.摘要为了同时捕获空间和时间依赖性，本文提出了一种新的基于神经网络的交通流预测方法——时间图卷积网络(T-GCN)模型，该模型将图卷积网络(GCN)和门控循环单元(GRU)相结合。...
T-GCN-时间图卷积网络交通速度中的预测
yilulvxing的博客
11-20 5702
论文原始链接 1:摘要 实时准确的交通预测在智能交通系统中城市交通规划，交通管理和交通控制起着重要的作用和意义。然而，由于城市道路网络拓扑结构的约束和时间的动态变化规律，流量预测一直被认为是一个科学问题，即：空间依赖和时间依赖。为了捕获时空间依赖性，本文提出了T-GCN（temporal graph convolutional network），模型融合了图卷积网络(GCN)和门控递归单元(GRU)。GCN用于学习复杂的拓扑结构来捕获空间依赖关系，GRU用于学习交通数据的动态变化来捕获时间依赖关系。T-GC
清晰图解，一图看懂图卷积GCN、时空图卷积ST-GCN
qq_43601378的博客
06-15 7987
目录1.前言2.普通卷积与图卷积2.1 普通卷积2.2 图卷积3.ST-GCN图卷积的公式解读4 ST-GCN图卷积的代码解读5 参考文献6 联系方式 1.前言 本文为我阅读论文 Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recognition 和代码后的所思所想，仅代表我个人观点 2.普通卷积与图卷积 2.1 普通卷积 在理解图卷积之前，需要认识一下传统的卷积。对于一个3×3的卷积操作而言，相当于把3×3
T-GCN（图卷积神经网络-交通流预测）（代码）.zip
01-09
图卷积神经网络（Graph Convolutional Networks, GCN）是一种在图结构数据上进行深度学习的方法，它扩展了传统的卷积神经网络（CNN）到非欧几里得数据。在交通流预测任务中，GCN能有效地处理复杂的交通网络结构，...
T-GCN（图卷积神经网络-交通流预测）.zip
01-09
在这个“T-GCN（图卷积神经网络-交通流预测）”项目中，我们主要关注的是如何利用GCN来预测交通流量，以提高城市交通管理的效率和智能性。 交通流预测是智能交通系统中的关键任务，它能够帮助我们理解城市交通状态...
st-gcn时空图卷积神经网络
12-11
Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recognition. 图卷积神经网络，2018年AAAI论文代码。
keras-gcn:图卷积网络的Keras实现
04-29
使用Keras对图进行深度学习基于Keras的图卷积网络的半监督分类实现。 Thomas N.Kipf，Max Welling，（ICLR 2017） 有关高级解释，请查看我们的博客文章： 托马斯·基普夫（Thomas Kipf），（2016） 注意：此代码无意...
ST-GCN基于图卷积的行为识别修改模型文件
10-28
ST-GCN（Spatial Temporal Graph Convolutional Network）是一种基于图卷积网络的行为识别模型，由Yan et al. 在2018年的论文《Spatial-Temporal Graph Convolutional Networks for Skeleton-Based Action ...
深入理解时空图卷积（ST-GCN）
热门推荐
weixin_51450749的博客
11-04 1万+
深入理解时空图卷积（ST-GCN）整体描述空间上的图卷积举个例子回归ST-GCN时间上的卷积 前言：本文试图从代码角度解读ST-GCN（不包含图卷积理论知识），希望对研究行为识别的同学有所帮助，不正确的地方请指正。 整体描述 Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recognition ST-GCN的文章着实不好理解，但是当读懂代码之后，再返回来对应论文会有豁然开朗的感觉。 整体结构：时空图卷积分为空间
【神经网络与深度学习】时间卷积网络（TCN）
qq_51467258的博客
03-04 5042
时间卷积网络（TCN）的总体概述，膨胀卷积以及感受野等相关名词解释
【交通流预测】《T-GCN: A Temporal Graph Convolutional Network for Traffic Prediction》论文详解
stt666的博客
01-18 1万+
《STGCN》文章目录文章总结Abstract一、Introduction二、Preliminary1. Traffic Prediction on Road Graphs2. Convolutions on Graphs三、Proposed Model1. Network Architecture2. Graph CNNs for Extracting Spatial Features3. Gated CNNs for Extracting Temporal Features4. Spatio-te
用于动作识别的时空图卷积ST-GCN
AI蜗牛车
11-15 3032
1 前言最近参加了CCF举办的比赛，并选了一个与之前研究相关性并不大的赛题。赛题主要是做基于人体骨架的动作识别的，正好借此机会学一下相关知识。官方给出的baseline有两个，一个是ST-...
STSGCN时空同步图卷积网络：时空网络数据预测的新框架
lwera的博客
09-28 2944
STSGCN时空同步图卷积网络：时空网络数据预测的新框架
T-GCN: A Temporal Graph Convolutional Network for Traffic Prediction 用于交通流预测的时序GCN
goto_past的博客
02-06 4253
T-GCN: A Temporal Graph Convolutional Network for Traffic Prediction Abstract 准确、实时的交通预测是智能交通系统的重要组成部分，对城市交通规划、交通管理和交通控制具有重要意义。然而，由于受城市路网拓扑结构和动态随时间变化规律的制约，交通预测一直被认为是一个开放的科学问题。为了同时捕获网络的时空相关性，本文提出了一种基于神经网络的交通预测方法——时间图卷积网络(T-GCN)模型，该模型与图卷积网络(GCN)和门控递归单元(GRU)相
交通流预测——day58 T-GCN：一种用于流量预测的时态图卷积网络
想太多的学习日志
12-02 2202
本文提出了一种新的基于神经网络的交通预测方法T-GCN，该方法将GCN和GRU相结合。 利用图网络对城市道路网络进行建模，图上的节点表示道路，边表示道路之间的连接关系，道路上的交通信息被描述为图上节点的属性。 一方面，利用GCN捕获图的空间拓扑结构，获得图的空间相关性； 另一方面，引入GRU模型来捕捉节点属性的动态变化，以获得节点的时间依赖性。 最后将T-GCN模型应用于时空流量预测任务。 在两个真实的交通数据集上，通过与HA模型、ARIMA模型、SVR模型、GCN模型和GRU模型的比较，T-GCN模型在不
st-gcn图卷积实现流程
05-13
ST-GCN (Spatio-Temporal Graph Convolutional Networks)是一种基于图卷积神经网络的动作识别模型，它的关键是将空间和时间信息结合在一起。下面是ST-GCN图卷积实现的流程： 1. 数据预处理：将视频或者动作序列数据...
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