- 博客(55)
- 资源 (10)
- 收藏
- 关注
原创 用于时空交通数据插补的多注意张量完成网络
道路传感器在物联网(IoT)中的广泛部署可以实现细粒度的数据集成,这是数据驱动应用程序的基本需求。由于网络通信不稳定、传感器故障等,不可避免地丢失和实质性异常的传感数据是不可避免的。最近的张量补全研究通过精确捕获复杂的时空依赖性/相关性,证明了深度学习在插补任务中的优越性。然而,忽略这些方法中初始插值的重要性会导致性能不稳定,特别是对于大规模数据中的复杂缺失场景。此外,现有的插值方法利用沿时空维度的递归信号传播,这会在依赖性不相关的情况下产生噪声累积。
2024-04-17 21:00:57
189
原创 扩散模型2原理分析
文章来自扩散模型是概率生成模型,旨在通过对正态分布变量进行迭代去噪来生成目标数据分布px。扩散模型过程分为正向过程和可学习的逆向过程,本质就是一个长度为T的马尔科夫链。通过给定数据样本x∈Rd∼px和一些潜在变量z0z1⋯zT,随着扩散步数增加,在数据分布和高斯分布之间进行插值。
2024-04-07 18:58:04
1084
原创 Latent Diffusion Transformer for Probabilistic Time Series Forecasting
多元时间序列的概率预测是一项极具挑战性但又实用的任务。本研究提出将高维多元时间序列预测浓缩为潜在空间时间序列生成问题,以提高每个时间戳的表达能力并使预测更易于管理。为了解决现有工作难以扩展到高维多元时间序列的问题,我们提出了一种称为潜在扩散变换器(LDT)的潜在多元时间序列扩散框架,它由。
2024-04-06 20:06:40
170
原创 Learning from Polar Representation: An Extreme-Adaptive Model for Long-Term Time Series Forecasting
鉴于与正常事件相比,我们的数据中极端事件很少见,我们利用 Kruskal-Wallis 采样对训练集中出现极端事件的区域进行过采样,我们的模型可以从中学习适当的模式。也就是说,对于我们从输入序列中抽取的每个大小为 t+h 的随机样本 x,我们首先将序列拆分为 k 个大小相等的连续子序列,并计算 k 个子序列之间的 Kruskal-Wallis 检验统计量 H,使用,方程 1. 为了避免 H 统计量受到子序列中微小差异的影响,我们在计算 H 之前将 x 中的值舍入为最接近的整数。G.克鲁斯卡尔-沃利斯抽样。
2024-04-06 18:22:35
942
原创 Spatio-Temporal Pivotal Graph Neural Networks for Traffie Flow Forecasting
交通流量预测是一个经典的时空数据挖掘问题,具有许多实际应用。,最近,针对该问题提出了各种基于图神经网络(GNN)的方法,并取得了令人印象深刻的预测性能。然而,我们认为大多数现有方法忽视了某些节点(称为关键节点)的重要性,这些节点自然地与多个其他节点表现出广泛的联系。由于与其他节点相比,关键节点具有复杂的时空依赖性,因此对关键节点进行预测提出了挑战。在本文中,我们提出了一种基于 GNN 的新颖方法,称为时空枢轴图神经网络(STPGNN)来解决上述限制。我们引入了一个关键节点识别模块来识别关键节点。
2024-04-06 18:21:01
343
原创 CIM:插补时空数据框架2021篇
基于联合矩阵分解的交通拥堵数据缺失数据填补paper link摘要:现实中,由于一些意外错误而造成部分交通数据的缺失是不可避免的,这不仅影响交通管理,也阻碍了交通数据研究的发展。在本文中,我们提出了一种基于联合矩阵分解的交通拥堵数据插补模型(简称CIM)。 CIM 对交通拥堵模式的特征(包括周期性、道路相似性和时间相干性)进行联合建模,以估计缺失的拥堵值。具体来说,我们首先根据交通拥堵数据构建一个 3 阶张量。然后,我们利用空间和时间信息,通过联合矩阵分解对周期性和道路相似性进行建模。最后,我们将局部
2024-01-24 10:08:14
136
原创 STEGNN
我们使用图gVEASgVEAS来表示道路网络,其中∣V∣N|V|=N∣V∣N是与NNN条道路观测相对应的顶点集合,EEE表示边的集合,ASA_{S}AS是记录顶点之间空间位置的空间邻接矩阵。空间网络gg表示节点之间在空间维度上的关系。我们定义图信号矩阵Xat∈RN×CXat∈RN×C表示在某一时刻ttt的整个空间图的观测值,其中CCC。
2024-01-14 14:52:26
229
原创 Quick taxi route assignment via real-time intersection state prediction
机场出租车线路的优化对于提高机场容量和资源利用率至关重要。然而,现有的预先规划日程的方法通常非常耗时。为了解决这个问题,我们提出了一种新方法,通过使用时空图神经网络(STGNN)预测机场滑行道网络中的交叉口状态来减少问题规模,该时空图神经网络结合了图卷积网络和具有注意机制的递归神经网络。基于预测结果获得的子图,建立了出租车路线分配的混合整数线性问题(MILP)模型。
2024-01-14 09:40:55
98
原创 MISGAN
生成对抗网络(GAN)已被证明提供了一种对复杂分布进行建模的有效方法,并在各种具有挑战性的任务上取得了令人印象深刻的结果。然而,典型的 GAN 需要在训练期间充分观察数据。在本文中,我们提出了一个基于 GAN 的框架,用于从复杂的高维不完整数据中学习。==所提出的框架学习一个完整的数据生成器以及一个对缺失数据分布进行建模的掩码生成器。==我们进一步演示了如何通过为我们的框架配备经过对抗性训练的插补器来插补丢失的数据。我们使用一系列实验来评估所提出的框架,这些实验在完全随机假设下丢失了几种类型的数据过程。
2024-01-13 18:31:15
119
原创 GSTAE
A、交通速度预测交通速度预测的目标是根据城市交通网络中传感器节点测量的历史数据来预测未来的交通速度。Xt−Th1tG⟶f⋅Xt1tTpXt−Th1tG⟶f⋅Xt1tTp其中Xt−Th1t∈RTh×NXt−Th1t∈RTh×N是时间步t−Th1t−Th1到ttt期间NNN个传感器的历史交通速度。
2024-01-13 18:27:41
222
原创 PriSTI
本文将时空数据形式化为连续时间上的序列X1LX1X2⋯XL∈RN×LX1LX1X2⋯XL∈RN×L并非所有观测节点在时间lll都有观测值。本文使用二元掩码Ml∈01NMl∈01N表示观察到的掩码。由于实际中没有缺失数据的真实值,本文从可用的观测数据中手动选择插补目标X∈RN×LX∈RN×L进行训练和评估,并用二元掩码M∈RN×LM∈RN×L进行识别。
2024-01-06 12:36:42
865
原创 Missing Data Repairs for Traffic Flow With Self-Attention Generative Adversarial Imputation Net
提取交通数据之间的时空关系的方法有两类:一是通过数学方法显式地提取特征,例如傅里叶变换来提取交通数据中的周期。另一种是通过模型学习特征,并通过数据驱动的方法从数据集中隐式提取时空相关性ddd维数据空间定义为χχ1χ2χ3χdχχ1χ2χ3χd。然后,从χ\chiχ中取出一个随机多维时间序列,即Xx1x2x3xdXx1x2x3xd,其中XXX的联合概率分布为PXP(X)PX。
2024-01-05 09:06:53
370
原创 STGAN:用于交通数据插补的时空生成对抗网络
首先,设计了生成损失和中心损失->贡献2目的:最小化了插补条目的重建误差,而且确保每个插补条目及其邻居符合局部时空分布。然后,判别器使用卷积神经网络分类器(CNN分类器)来判断插补矩阵是否符合。
2024-01-04 14:05:52
1135
1
原创 扩散模型(1)代码
是我们根据调度器为每个时划设定的参数,用于决定在每个时间步添加的噪声量。我们并不想通过把这个推演重复 500 次来得到,而是希望利用另一个公式,根据给出的。从完全随机噪声开始,检测预测效果,然后朝着预测效果移动一部分,比如20%,可能新的预测效果就比上一侧的预测效果好一点,那么么就可以继续向前移动。在每个时间步都为输入图像添加少量噪声的退化过程。模型在高噪声量下的预测不好该怎么办呢?,就可以得到一个噪声稍微增强的。,然后将其与一个带有系数。如果在某个时间步给定。
2023-11-28 11:07:40
560
原创 Attention is all your need
假设我们的模型知道从训练数据集中学习的 10,000 个独特的英语单词(我们模型的“输出词汇”)。这就是我们解释线性层模型输出的方式。从行文看是不是一样的词语,但是其实它表达的含义是并不相同的,这就意味着我们并不能简单的将得到的输入嵌入直接放到我们的注意力里面。“编码器-解码器注意力”层的工作方式与多头自注意力类似,只不过它从其下面的层创建查询矩阵,并从编码器堆栈的输出中获取键和值矩阵。线性层是一个简单的全连接神经网络,它将解码器堆栈产生的向量投影到一个更大的向量中,称为 logits 向量。
2023-10-18 18:25:36
77
原创 Python类(class)的那些事
继承是一种新建类的方式python中父类,子类(派生类),父类和子类只有在继承的时候才会产生继承是为了拿到父类的所有东西首先我们来看一个下面的函数# 定义一个父类Parent_Foo他的属性有,姓氏、资产、车、房子print(f'
2023-09-19 19:05:10
35
原创 model
2.list对一维数组做一些操作,numpy其实就是对多维做操作。1.np.array是多维的,list是一维的。获取多维数组的行和列。
2023-09-13 17:11:13
27
原创 python基础
代码自上而下运行,m1需要m2的y,会去m2的名称空间找y,但是找到y之前,需要运行m2的代码,m2代码第一句是去找m1的x,然后又回去运行m1的代码,m1的第一行代码又失去寻找m2的y。m1.f1() # 运行两次,例如:使用python解释器运行time文件,然后把解释文件得到的名字放入time模块的名称空间;就是说:m1只能运行第一行,m2也只能运行第一行,所以产生了这样的问题。2、运行文件,被当做执行文件执行,只能有一个。1、模块文件,被当作模块给导入,可以有多个。3、内置模块,如time。
2023-09-13 17:10:25
31
原创 Dastnet 2022
across Cities(短时预测)本文提出一种新的可转移流量预测框架:域对抗时空网络(Dastnet)是基于多域对抗自适应的可转移时空流量预测框架该框架通过空间编码器将原始节点特征映射到节点嵌入。通过域分类器引入域不变性嵌入,并与时域预测器中的交通数据融合,实现跨城市交通预测。(利用多个城市交通信息学习不同节点之间的相似性,达到补充交通信息不足的城市路网预测功能)PS:有点扯,虽然路网有相似性,但是实际结构并不能通用,有一句古话,因地制宜;
2023-07-27 17:34:34
98
原创 GRAM-ODE代码解析
该代码是基于GRAM-ODE论文来的 详见:GRAM-ODE论文解释这段代码定义了一个名为的函数,用于训练神经网络模型。它接受几个输入参数:在训练过程中,该函数遍历数据加载器提供的批次。它将模型设置为训练模式,清除优化器的梯度,并将输入数据和目标数据移动到指定的设备上。然后,使用模型对输入数据进行预测,并使用提供的标准差和均值对预测结果进行反归一化。使用指定的损失函数计算预测结果和目标数据之间的损失。计算出损失的梯度后,优化器根据这些梯度更新模型的参数。该函数还计算了几个评估指标,包括RMSE、MAE和M
2023-07-19 21:53:54
80
原创 Continuous graph neural network(CGNN)
解释我们的模型学习了什么样的表示,以及为什么它没有遭受中常见的过度平滑问题。证明了更深的指数地失去了表达能力,因为在极限情况下,当层数达到无穷大时,节点表示被投影到拉普拉斯算子的零空间上,这意味着在同一连通分量中具有相同度的两个节点将具有相同的表示。本文从残差连接思想,进而对动态系统进行从离散到连续的转化,给出了证明。从基于扩散的方法激励我们的ODE,并从理论上证明我们的方法如何有助于解决节点之间的过度平滑以及长距离连接。对象:H∈R∣V∣×d\boldsymbol{H} \in \mathbb{R}^{|
2023-07-07 16:02:32
323
1
原创 TCN:An Empirical Evaluation of Generic Convolutional and Recurrent Networks for Sequence Modeling
,其中每个隐藏层与输入层的长度相同,并且添加长度的零填充(kernel size − 1)以保持后续层与先前层的长度相同。全连接卷积和因果卷积,由于该设计本身在应对长时间序列时需要堆叠多层神经层的问题,采取膨胀卷积扩大感受野并引入残差连接思想。(1)Dilated Convolutions(扩张卷积):采用扩张卷积,使指数大的感受野,对于。的历史和高维输入序列的情况下,可能需要多达12层的网络。模型的设计中,我们采用通用残差模块代替卷积层。和前一层中更早的元素卷积的卷积。,而不是其他时刻的输入。
2023-07-04 12:14:16
63
原创 DSTAGNN Dynamic Spatial-Temporal Aware Graph Neural Network for Traffic Flow Forecasting
我们称这种动态关联属性为时空感知距离(
2023-07-03 20:52:34
263
原创 STFGNN
模型包含3个STFGNL,其中每个STFGNL包含8个独立的STFGNM和1个膨胀率为3的门控卷积模块,因为使用的时空融合图的大小K为4。受动态时间规整的启发,我们提出了一种新的数据驱动的图构造方法:基于时间序列之间的相似性学习的时间图。(2)层叠时空融合图神经网络:由多个并行的时空融合图神经模块(STFGN模块)和一个包括两个并行的一维扩张卷积块的门控CNN模块构成。融合图信息的组成:具有每个节点与其(1)空间邻居的相关信息,(2)具有相似时间模式的节点,以及(3)沿着时间轴的之前或之后的情况。
2023-07-02 13:14:26
125
原创 GRAM-ODE
本文是在 STGODE和MTGODE基础上发展来的,同时也对其进行对比本文主要针对以下几个问题进行分析:1、图神经网络得过平滑现象2、长期时间序列预测问题3、高纬度时空相关性针对这样的几个问题,分别作出设计:本文得思路是从GCN能天然得图结构相关性,这给我们在空间上能够得到相当丰富得地理信息,然而这往往存在一个过平滑得问题,本文引入得思想,从常微分方程得角度去解决这个现象。同时以往的工作是忽视了局部信息,只关注全局,并且缺乏动态语义边针对长期时间序列预测问题,本文引入即连续图神经网络内容,经典得参考里面得内
2023-06-30 14:28:55
113
原创 有意思的MPC控制问题(线性无约束)
的值,其他的就都是预测区间和控制区间整体右移一个单位,整个过程是向右滚动的,这样的方式叫做称为滚动优化控制(Receding Horizon Control)。:通过模型来预测系统在某一未来时间段内的表现来进行优化控制,多用于数位控制,用离散的状态空间表达,即。通过上面的例子,已经很直观的把问题转化成二次型求解问题,关键就是求出矩阵。当然这里是线性无约束条件下的,我们可以转化成二次型进行求解。,通过矩阵相乘,我们最后得到的还是一个2*1的矩阵。,为K时刻的误差矩阵,为k时刻的输入矩阵,为终端误差权重矩阵。
2023-06-07 12:13:29
258
原创 MTGODE
介绍多变量时间序列的表示学习问题,即单步和多步预测;X∈RN×D×SX∈RN×D×S给定的多元时间序列Xt1tT∈RN×D×TXt1tT∈RN×D×T从XXX中采样TTT历史时序的序列A∈RN×NA∈RN×N可学习的邻接矩阵HkG∈RN×D′×QHkG∈RN×D′×Q离散图在第k层传播的潜态HGt∈RN×D′×QHG。
2023-05-30 22:14:36
305
原创 stgode
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
2023-05-25 05:26:49
238
翻译 T-GCN论文阅读title:T-GCN: A Temporal Graph Convolutional Network for Traffic Prediction
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。通过对两个实际交通数据集的评价,并与HA模型、ARIMA模型、SVR模型、GCN模型和GRU模型进行比较,得出T-GCN模型在不同预测水平下的预测效果最好。通过对两个实际交通数据集的评价,并与HA模型、ARIMA模型、SVR模型、GCN模型和GRU模型进行比较,得出T-GCN模型在不同预测水平下的预测效果最好。时刻的隐藏状态和当前的交通信息为输入,得到t时刻的交通状态。
2023-05-18 13:57:44
166
2
原创 STGCN文献笔记翻译
为了充分利用空间特征,一些研究者利用卷积神经网络(convolutional neural network, CNN)来捕捉交通网络之间的相邻关系,同时在时间轴上采用递归神经网络(recurrent neural network, RNN)。Wu和Tan[2016]结合long - short-term memory (LSTM)网络[Hochreiter and Schmidhuber, 1997]和一维CNN,提出了一种用于短期流量预测的特征级融合架构CLTFP。
2023-05-17 17:28:51
245
原创 出租车数据的空间完整性评估
的定位精度达到小数点后6位,即使两条记录发生在非常接近的地点,产生的经纬度坐标也只有极小的概率相同。如果直接采用经纬度进行空间集计,则无法达到数据聚合的效果,应首先对数据以特定地理空间统计单元进行统计。对出租车数据进行栅格对应和可视化,观察数据的整体分布,对数据的空间分布进行完整性评估,从数据栅格分布来看,数据几种分布在中心城区,教区存在大片空白没数据的地方。计算每个栅格的四个顶点坐标,循环生成栅格,生成整个研究范围的栅格。点对应的栅格编号,然后再基于栅格标号统计每个栅格内。定义范围内栅格的生成。
2023-05-11 15:28:30
70
原创 复杂网络公式
复杂网络公式真实的世界是稀疏的完全图(团)的概念:对角线元素都为0,其他元素都为1对于N个节点的无项网络,最小的链接链数为0,最大的链接链数为LmaxN22NN−1表示大小为N的完全图包含的链接总数。在完全图中,任意两个节点之间都有链接相连。真实网络中L远远小于Lmax说明网络是稀疏的对于加权网络来说,邻接矩阵的元素代表链接的权重Aijwij二分网络(演员网络、人类疾病网络)
2023-05-10 13:42:46
574
GRAM-ODE的补充文件
2023-06-30
交通预测流量数据集METR-LA数据集进行划分成训练集、测试集和验证集、比例为0.6:0.2:0.2
2023-06-07
model predictive control
2023-06-07
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人