时空序列预测论文
文章平均质量分 91
时空序列相关论文笔记
wwj灬
这个作者很懒,什么都没留下…
展开
-
理解和解决深度图卷积的性能下降问题
Understanding and Resolving Performance Degradation in Deep Graph Convolutional Networks1. 文章概述图卷积网络(GCN)堆叠几层,在每一层中执行传播操作(PROPagation operation)和变换操作(TRAN),用于学习图结构数据上的节点表示。尽管功能强大,但当模型深入时,GCN的性能往往会下降。先前的工作认为引起性能下降的主要原因是PROP过程造成的过平滑问题和梯度消失问题导致的,本文作者通过多组对照原创 2021-11-16 21:33:05 · 911 阅读 · 0 评论 -
Coupled Layer-wise Graph Convolution for Transportation Demand Prediction
Coupled Layer-wise Graph Convolution for Transportation Demand Prediction一级目录二级目录三级目录1.文章概述2.Methodology2.1 Adjacency Matrix Generation2.2 Coupled Layer-wise Graph Convolution2.3 Multi-level Aggregation2.4 Temporal Dependence Modeling一级目录二级目录三级目录1.文章概述原创 2021-10-26 20:30:30 · 268 阅读 · 0 评论 -
Spatial-Temporal Synchronous Graph Convolutional Networks: A New
1.文章概述当前的一些方法使用不同的模块对不同关系进行建模,本文作者为了同时提取时空关系提出了一个新的模型STSGCN,该模型通过设计了一个时空同步建模机制 和 对不同时间周期设置不同模块分别捕捉时空依赖性和异构性(不同时间阶段有不同的依赖性)。作者认为在时空预测任务中存在三种关系:空间依赖性,时间依赖性,时空依赖性。当前大部分方法通过同模块捕捉前两种依赖性,第三种依赖性在网络中间接捕捉,作者认为如果可以直接同时捕捉时空依赖对数据的预测非常有效。此外作者认为时空网络数据通常在空间和时间维度上都表现出异原创 2021-10-21 16:59:15 · 331 阅读 · 0 评论 -
Temporal Multi-Graph Convolutional Network for Traffic Flow Prediction
Temporal Multi-Graph Convolutional Network for Traffic Flow Prediction1. 文章概述作者认为距离较远的道路之间更多的语义成对关联对于交通流预测也是至关重要的,为了联合建模道路网络中具有各种全局特征的空间、时间、语义相关性,提出了一种深度学习的交通流预测框架——时间多图卷积网络。本文主要工作如下:根据不同语义关联构建了多个图使用循环神经网络建模时间关联全连接层融合时空关联和全局特征三种依赖关系:空间相关性:相邻路段对道路原创 2021-09-22 16:58:11 · 721 阅读 · 1 评论 -
Spatiotemporal Adaptive Gated Graph Convolution Network for Urban Traffic Flow Forecasting
Spatiotemporal Adaptive Gated Graph Convolution Network for Urban Traffic Flow Forecasting1.文章概述当前方法不足:交通数据实时变换,但大多数方法使用预定义图道路的语义相似性没被考虑到创新点:通过寻找道路节点的空间邻域和语义邻域来构造动态加权图多头自注意时间卷积网络被用来捕获历史观测中的局部和远程时间依赖关系提出了一种自适应图门控机制2. 问题定义[Xt−T+1,⋯ ,Xt;G]⟶f(⋅)[原创 2021-09-15 21:57:45 · 515 阅读 · 0 评论 -
FC-GAGA Fully Connected Gated Graph Architecture for Spatio-Temporal Traffic Forecasting
FC-GAGA: Fully Connected Gated Graph Architecture for Spatio-Temporal Traffic Forecasting1.文章概述本文提出了一种新的学习体系结构,它可以在不需要图的知识的情况下,获得与现有现存算法相当或更好的性能。该架构的关键要素是可学习的全连接硬图选通机制,该机制支持在交通预测应用中使用最先进且计算效率高的全连接时间序列预测架构。图建模当前存在局限性:这些模型的复杂性和运行时要高得多些模型依赖于由领域专家提供的变原创 2021-09-08 21:09:21 · 519 阅读 · 0 评论 -
Connecting the Dots 基于图神经网络的多元时间序列预测
Connecting the Dots: 基于图神经网络的多元时间序列预测1.文章概述多元时间序列预测背后的一个基本假设是,它的变量相互依赖。但现有方法未能充分利用变量对之间潜在的空间依赖性。近年来,图神经网络在处理关系依赖方面表现出了很高的能力。但是GNNs需要定义良好的图结构来进行信息传播,这意味着它们不能直接应用于依赖关系事先未知的多元时间序列。基于上述原因,本文作者提出了一个通用的图神经网络框架,专门为多元时间序列数据设计。1.1 相关工作统计学方法:VAR、GP等方法基于变量是线性相关的假原创 2021-08-10 11:40:54 · 1752 阅读 · 0 评论 -
Dynamic Graph Convolutional Recurrent Network for Traffic Prediction Benchmark and Solution
Dynamic Graph Convolutional Recurrent Network for Traffic Prediction: Benchmark and Solution1. 文章概述1.1 当前不足交通图拓扑的动态特性需要进一步建模。预定义邻接矩阵和自适应邻接矩阵都是随时间变化的静态矩阵,不足以反映现实中路网拓扑的动态特性。静态的基于距离的图和动态的基于属性的图从不同的角度描述了交通网络的拓扑结构,因此将它们结合起来可以为模型提供更大的范围来捕捉空间依赖关系。然而,大多数作品未能在原创 2021-08-02 20:59:30 · 1543 阅读 · 0 评论 -
T-GCN(时间图卷积网络) 泛读笔记
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VVV节点EEE边XN×PX^{N\times P}X原创 2021-07-31 11:21:21 · 2121 阅读 · 0 评论 -
Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting
ASTGCN(基于注意力机制的时空图卷积网络)1.文章概述1.1 主要贡献本文提出了一个新的图卷积网络attention based spatial-temporal graph convolutional network (ASTGCCN),该网络主要有三个独立的部分组成,分别对交通流的三个时间属性进行建模(最近时间的、每日周期、每周周期),其中每个模块包含两个主要部分:1)时空注意力模块,去动态捕捉时空相关性。2)时空卷积模块,使用图卷积捕捉空间模式,使用标准卷积描述时间特征。1.2 本文出发点原创 2021-07-27 20:57:33 · 2765 阅读 · 0 评论 -
Spatio-Temporal Graph Convolutional Networks A Deep Learning Framework for Traffic Forecasting
Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting1.文章概述在交通领域的预测问题,先前模型在短期预测上能取得较好的效果,但是在中长期的的预测中效果并不太好。作者在文中将传统的中长期预测方法分为两种:动态建模:使用数学工具和物理知识,该方法需要复杂的编程和巨大的算力消耗,且模型中使用了很多不切实际的假设和简化。数据驱动:ARIMA该方法基于数据是平稳的假设不原创 2021-07-22 10:23:55 · 1034 阅读 · 0 评论 -
How to Build a Graph-Based Deep Learning Architecture in Traffic Domain A Survey
How to Build a Graph-Based Deep Learning Architecture in Traffic Domain: A Survey1. 文章概述1.1 本文主要内容我们首先给出基于图的交通问题的公式,并从各种交通数据集构建图。分解这些基于图的架构,讨论它们使用的深度学习技术,阐明每种技术在流量任务中的应用总结了一些常见的流量挑战以及相应的基于图的深度学习解决方案提供了基准数据集、开源代码和未来的研究方向1.2 在流量预测领域的一些方法基于统计学的方法:原创 2021-07-13 21:17:01 · 555 阅读 · 0 评论 -
New interpretable deep learning model to monitor real-time PM2.5 concentrations from satellite data
New interpretable deep learning model to monitor real-time PM2.5 concentrations from satellite data1 文章概述摘要本文提出了一个新的深度学习模型—EntityDenseNet,用于从同步卫星上提供的高时间分辨率的数据提取出地面PM2.5浓度。该模型相比传统机器学习模型有更高的精度,且有更好的可解释性。对于类别数据,本文采取了一种新的方式进行编码。引言数据方面问题:虽然世界各地都在监测PM原创 2021-06-22 20:18:58 · 213 阅读 · 0 评论 -
Traffic Flow Prediction via Spatial Temporal Graph Neural
Traffic Flow Prediction via Spatial Temporal Graph Neural参考材料图卷积基本知识:https://blog.csdn.net/qq_41727666/article/details/84622965文中所用图卷积方法:https://blog.csdn.net/qq_41727666/article/details/846405491. ABSTRACT传统方法在时间和空间的依赖性捕捉上有明显的不足本文提出一个新的时空图神经网原创 2021-05-27 21:44:21 · 1457 阅读 · 13 评论 -
Spatial-Temporal Fusion Graph Neural Networks 阅读笔记
参考资料:论文笔记:https://zhuanlan.zhihu.com/p/342483943DTW算法:https://blog.csdn.net/zouxy09/article/details/9140207Spatial-Temporal Fusion Graph Neural Networks 阅读笔记1、Abstract当前模型存在问题:通过含不完全的邻接连接的空间图结构表示能力有限,限制了这些模型有效地学习时空相关性。通常使用单独的模块来实现空间和时间相关性,或者只使用独原创 2021-05-30 21:08:47 · 1185 阅读 · 0 评论