Dynamic Spatiotemporal Graph Neural Networkwith Tensor Network
摘要(Abstract)
动态空间图构造是图神经网络(GNN)解决时间序列数据问题的一个挑战。
虽然一些自适应图是可以想象的,但无论之前的所有情况如何,只有2D图被嵌入到网络中以反映当前的空间关系。
在这项工作中,我们生成一个空间张量图(STG)来收集所有的动态空间关系,以及一个时间张量图(TTG)来发现每个节点上的潜在模式。
这两个张量图共享相同的节点和边,这使得我们通过投影纠缠对状态(PEPS)来探索它们的纠缠相关性,以优化这两个图。
我们在公共交通数据集上与最新的基于GNN的方法进行了准确率和时间开销的实验比较。
简介
GNN主要有四类,即递归GNN、卷积GNN、图自动编码器和时空GNN[Wu等,2019a]。本文的重点是最后一种GNN类型。时空GNNs方法在时间序列预测中面临着两个挑战。
第一个挑战是如何构建动态空间图。在时间变化过程中,一些节点和边可能会出现或消失,从而导致图形发生变化。因此,构建动态图来反映变化的相关性是合理的。
其次,我们的目标是探索每个节点的潜在时间相关性。
总之,为了解决这两个难题,我们不仅构造了空间张量图(STG),还构造了时间张量图(TTG),既能捕捉节点间的空间相关性,又能捕捉每个节点的时间相关性。
图1显示了这两个图表。
本文提出了一种基于张量网络的动态时空GNN(DSTGNN)流量预测方法。