![](https://img-blog.csdnimg.cn/20201014180756923.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
图论及图深度学习
文章平均质量分 94
奥卡姆的剃刀
GitHub: https://github.com/LeronQ
展开
-
T-MGCN时间多图卷积网络用于交通流预测
论文:《Temporal Multi-Graph Convolutional Network for Traffic Flow Prediction》下载链接:链接:https://pan.baidu.com/s/1fiSaVRkdJ2ywB_8nufgMjw 提取码:y3hr2020年发表在IEEE Transaction on Intelligent Transpotation System上的一篇文,文中的一些多图构造逻辑及思路可以借鉴。1:摘要交通流预测在智能交通系统中扮...原创 2021-01-20 23:00:21 · 3246 阅读 · 8 评论 -
图论-路径优化算法总结
目录1:Dijkstra算法1.1:算法思想1.2:算法步骤1.3:代码演示1.4:算法实例1.4:算法优缺点2:A* 算法2.1:算法思想2.2:算法步骤2.3:Dijkstras算法与A*算法的比较3:Floyd算法3.1:算法思想3.2:算法步骤3.3:算法实例3.4:算法优缺点1:Dijkstra算法迪杰斯特拉(Dijkstra)算法是典型的最短路径的算法,用来求得从起始点到其他所有点最短路径(单源最短路径)。该算法采用了贪心的思想原创 2020-12-30 21:15:48 · 24043 阅读 · 0 评论 -
图卷积神经网络5:图卷积的应用
备注:本篇博客摘自某培训机构上的图神经网络讲解的视频内容,该视频关于图神经网络入门讲解、经典算法的引入和优缺点的介绍比较详细,逻辑主线也比较清晰。因此记录分享下。前几篇介绍了谱域图卷积及空域图卷积:图卷积神经网络1-谱域卷积:拉普拉斯变换到谱域图卷积图卷积神经网络2-谱域卷积:SCNN/ChebNet/GCN的引入和介绍图卷积神经网络3-空域卷积:GNN/GraphSAGE/PGC的引入和介绍图卷积神经网络4-空域卷积:空域卷积局限性分析和过平滑解决方案本篇博客主要讲解图卷积神经网络原创 2020-12-06 12:56:04 · 8712 阅读 · 4 评论 -
图卷积神经网络4-空域卷积:空域卷积局限性分析和过平滑解决方案
备注:本篇博客摘自某培训机构上的图神经网络讲解的视频内容,该视频关于图神经网络入门讲解、经典算法的引入和优缺点的介绍比较详细,逻辑主线也比较清晰。因此记录分享下。目录1:图卷积神经网络回顾2:空域图卷积局限性分析3:过平滑问题的若干缓解方案4:总结1:图卷积神经网络回顾图卷积神经网络分类:上图列出的图卷积缺点,使得谱域图卷积不能实际使用,而造成这种缺点的原因是正交基,能不能找到另外的基来代替呢?下面来看通过切比雪夫公式来看:为什么使用切比雪...原创 2020-12-04 18:51:48 · 4542 阅读 · 6 评论 -
图卷积神经网络3-空域卷积:GNN/GraphSAGE/PGC的引入和介绍
备注:本篇博客摘自某培训机构上的图神经网络讲解的视频内容,该视频关于图神经网络入门讲解、经典算法的引入和优缺点的介绍比较详细,逻辑主线也比较清晰。因此记录分享下。1:简介1.1:回顾谱域卷积1.2:谱域图卷积的缺陷2:空域卷积模型2.1:GNNGNN回答卷积就是:固定数量领域节点排序后,与相同数量的卷积核参数相乘求和。这有点绕口,实际上就是说,GNN认为卷积分为两步,第一步构建领域,第二步对领域上的节点与卷积核参数进行内积操作(..原创 2020-12-04 18:48:37 · 5252 阅读 · 4 评论 -
图卷积神经网络2-谱域卷积:SCNN/ChebNet/GCN的引入和介绍
备注:本篇博客摘自某培训机构上的图神经网络讲解的视频内容,该视频关于图神经网络入门讲解、经典算法的引入和优缺点的介绍比较详细,逻辑主线也比较清晰。因此记录分享下。目录1:简介2:SCNN3:ChebNet4:GCNGCN特点5:总结5.1:图卷积实现思路5.2:谱域图卷积实现理论支撑5.3:经典图谱卷积上一篇文章链接:文章地址继续上一篇的图卷积推导过程:上面公式推导的结果就是谱域图卷积最终的公式,所有的谱域图卷积的原理就是这个公式,只是对滤波器 做.原创 2020-12-03 21:06:12 · 6466 阅读 · 2 评论 -
图卷积神经网络1-谱域图卷积:拉普拉斯变换到谱域图卷积
备注:本篇博客摘自某培训机构上的图神经网络讲解的视频内容,该视频关于图神经网络入门讲解、经典算法的引入和优缺点的介绍比较详细,逻辑主线也比较清晰。因此记录分享下。目录:图卷积近年发展图卷积简介2.1. 经典卷积神经网络的应用2.2. 经典卷积神经网络的局限2.3. 如何将卷积操作拓展到图结构数据中?谱域卷积3.1. 图谱卷积背景知识3.2. 图谱卷积的数学知识3.3. 图傅里叶变换3.4. 图傅里叶反变换3.5. 图傅里叶正变换3.6. 经典傅里叶变换与图傅里叶变换的对比3.原创 2020-11-29 11:51:52 · 7036 阅读 · 8 评论 -
Pytorch-基于GCN/GAT/Chebnet图神经网络实现的交通流预测(附代码)
Pytorch代码地址1:目录结构基于图神经网络实现的交通流量预测,主要包括:GCN、GAR、ChebNet算法。2:数据集信息数据来自美国的加利福尼亚州的洛杉矶市,CSV文件是关于节点的表示情况,一共有307个节点,npz文件是交通流量的文件,每5分钟输出节点数据信息。数据集信息:PEMS-04数据时间范围:2018.1.1—2018.2.28节点信息:共307个检测器,即Nodes数量为3073个特征:流量值,占有率,速度值。3:数据探索dataView.py 文件为数据可视原创 2020-11-29 11:50:01 · 27331 阅读 · 68 评论 -
Pytorch复现STGCN:基于图卷积时空神经网络在交通速度中的预测
1:论文信息1.1:论文思路1.2:摘要引言总结原创 2020-11-11 19:35:34 · 39738 阅读 · 130 评论 -
论文笔记:图卷积在智能交通中的应用综述
原始论文地址1:摘要和引言最近几年,深度学习在解决复杂问题已经取得较好的效果,并且利用多种深度学习技术的组合能够处理交通业务的很多问题,如处理时间、空间依赖关系。传统上,很多研究工作将交通网络建模为网格或者分段的结构化的形式,但是很多交通网络本质上是图的结构,非图结构建模会导致某些有用的空间信息的丢失。随着图神经网络 graph neural networks (GNNs)的提出和应用。交通领域中,构建基于图视角的深度学习框架也越来越多。本论文旨在对这些框架进行总结,提供一个全面、深入、细致、实用性强的原创 2020-11-13 19:56:30 · 2005 阅读 · 0 评论