Spectral Temporal Graph Neural Network for Multivariate Time-series Forecasting（NIPS2020）

最新推荐文章于 2024-07-17 16:29:42 发布
最新推荐文章于 2024-07-17 16:29:42 发布
阅读量875 收藏 1
点赞数
分类专栏： 时空数据预测（基于图神经网络） 文章标签： 数据挖掘 机器学习 深度学习
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/zj_18706809267/article/details/125047394
版权

Spectral Temporal Graph Neural Network for Multivariate Time-series Forecasting（NIPS2020）

背景：希望结合GFT和DFT的优点，完全在光谱领域对多元时间序列数据进行建模。首先应用GFT将结构多变量输入转换为光谱时间序列表示，而不同的趋势可以分解为正交的时间序列。利用DFT将每个单变量时间序列转移到频域。经过GFT和DFT之后，光谱表示变得更容易被卷积和序列建模层识别。此外，在端到端框架中加入了一个潜在相关层来自动学习序列间的相关性，因此它不需要多元相关性作为先验

5 Experiments

西西弗的小蚂蚁
关注
专栏目录
Graph Convolutional Neural Networks for Web-Scale Recommender Systems（用于Web级推荐系统的图形卷积神经网络）
weixin_41697507的博客
07-07 4178
Graph Convolutional Neural Networks for Web-Scale Recommender Systems 用于Web级推荐系统的图形卷积神经网络 ABSTRACT Recent advancements in deep neural networks for graph-structured data have led to state-of-the-art pe...
[2021] Spatio-Temporal Graph Contrastive Learning
小卜妞的博客
04-21 1737
21-Spatio-Temporal Graph Contrastive Learning 郑宇、梁玉轩 1 摘要 深度学习模型是时空图(STG)预测的现代工具。尽管它们很有效，但它们需要大规模的数据集来获得更好的性能，并且容易受到噪声扰动。为了减轻这些限制，一个直观的想法是使用流行的’数据增强’和’对比学习’技术。然而，现有的图对比学习方法由于三个原因不能直接应用于STG预测。 经验发现，预测任务无法从对比学习得到的预先训练的表征中获益。 用于击败噪声的数据增强方法对STG数据的探索较少。 忽略了样本的
StemGNN:频谱时间图神经网络（简称StemGNN）用于多元时间序列预测
05-05
光谱时间图神经网络用于多元时间序列预测 该存储库是用于多元时间序列预测的频谱时间图神经网络的正式实现。 要求 推荐的OS和Python版本： 操作系统：Ubuntu 18.04.2 LTS Python ：python3.7（）。 要安装python依赖项，建议使用virtualenv， sudo apt install python3.7-venv可以为python3.7安装virtualenv。 所有python依赖项都针对pip==20.1.1和setuptools==41.2.0进行了验证。 运行以下命令以创建venv并安装python依赖项： python3.7 -m venv venv source venv/bin/activate pip install --upgrade pip pip install -r requirements.txt 数据集 ， ，
【论文阅读】（StemGNN）多元时间序列预测的谱时间图神经网络
kanon的博客
07-17 1271
论文提出了一种新型的深度学习模型StemGNN，用于提高多变量时间序列预测的准确性。论文将多变量时间序列预测问题定义为基于多变量时间图（multivariate temporal graph）的数据结构。StemGNN在频谱域中同时捕获时间序列内部和序列间的相关性。模型结合了图傅里叶变换（GFT）和离散傅里叶变换（DFT），并在端到端框架中使用卷积和序列学习模块进行有效预测。实验在十个真实世界的数据集上进行，证明了StemGNN的有效性。
高性能时间序列预测：Spectral Temporal Graph Neural Network
gitblog_00020的博客
06-08 415
高性能时间序列预测：Spectral Temporal Graph Neural Network 去发现同类优质开源项目:https://gitcode.com/ 在现代数据分析中，多变量时间序列预测扮演着至关重要的角色，尤其在交通监控、能源管理以及健康监测等领域。为此，我们很高兴向您推荐一个强大的开源项目——Spectral Temporal Graph Neural Network（STemG...
Multivariate Time-Series Forecasting with Temporal Polynomial Graph Neural Networks
小蚂蚁与大象
11-26 94
提出一种时态多项式图神经网络(temporal polynomial graph neural network, TPGNN)用于MTS的精确预测，分两步将动态变量相关性表示为时态矩阵多项式。构建的结果在经验上捕获了由非重复随机游走模型生成的六个合成MTS数据集的精确动态相关性。然而，由于真实世界的MTS数据的相关性是时变的，使用静态图进行预测会导致显著的偏差。此外，在他们的工作中，没有进行实际相关性与学习相关性的差距分析，以验证其有效性。由于MTS数据具有复杂的隐变量相关性，其准确预测仍然具有挑战性。
NeurIPS2020 | StemGNN：基于图谱分解的时间序列预测
AI蜗牛车
04-13 3018
Spectral Temporal Graph Neural Network for Multivariate Time-series Forecasting作者：北京大学Defu Cao等论文链接：https://arxiv.org/abs/2103.07719代码链接：https://github.com/microsoft/StemGNN/多元时间序列预测在许多实际...
【论文学习】ST-GCN：Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recognition
LoveKKarlie_的博客
03-02 1846
Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recognition；AAAI2018；基于skeleton动作识别的时空图卷积网络；提出了一种基于图的神经网络动态骨架建模方法时空图卷积网络ST-GCN；针对骨架建模的具体要求，提出了ST-GCN中卷积核的设计原则。
【Graph Neural Network 图神经网络】2.Spectral-based Graph Convolutional Networks 基于谱域的图卷积网络
TsingM
06-22 2326
GCN(Semi-Supervised Classification with Graph Convolutional Networks, ICLR 2017) 该文为基于谱域的图卷积网络的代表作，为图神经网络模型引入一个简单且表现好的分层传播规则，该规则直接在图上运行，展示了它是如何从谱图卷积的一阶近似中获得增益的，并演示了如何将这种形式的基于图的神经网络模型用于图中节点的快速和可扩展的半监督分类。 0. 基本概念 图用G=(V,E)G=(V,E)G=(V,E)表示，VVV中元素为节点（vertex），E
语音中的mask---Neural network based spectral mask estimation for aco
08-03
传统的声学波束形成是通过估计语音和噪声的交叉功率谱密度矩阵（Cross-Power Spectral Density matrices，CPSD）来计算波束形成器系数，从而定向聚焦于语音源并消除干扰。然而，这一过程通常需要精确的麦克风阵列...
【ICLR2022】图神经网络复杂时间序列建模
04-15
在许多领域，包括医疗保健、生物和气候科学，时间序列是不规则的采样，连续读数之间的时间间隔不同，不同的变量子集(传感器)在不同的时间点观测。在收集传感器测量数据时，经常存在一些实际问题，这些问题会导致各种类型的不正常现象，例如成本节约、传感器故障、物理场景中的外部力量、医疗干预等等。 虽然时间序列的机器学习方法通常假设完全可观察和固定大小的输入，但不规则采样的时间序列提出了相当大的挑战。例如，传感器的观测结果可能没有对齐，相邻读数之间的时间间隔可能因传感器而异，不同的样本可能在不同的时间记录不同数量的读数。
METRO: A Generic Graph Neural Network Framework for Multivariate Time Series Forecasting（VLDB）
小蚂蚁与大象
08-16 608
一个单尺度图更新(SGU)单元，可动态利用每个单一尺度下节点的图结构，并从节点的步内和步间邻居传播信息;此外，我们提供了一个模块化的解释，现有的基于gnn的时间序列预测工作作为具体实例，在我们的框架下。在四个基准数据集上进行的大量实验证明了我们的方法的有效性和效率。自适应学习步内和步间变量邻接矩阵，提出一种基于图的时序消息传递策略，计算和聚合节点的历史时序信息，并利用其更新节点嵌入。为理解和传播跨尺度的信息，本文提出跨尺度图融合(CGF)核，沿着获得的多个尺度的嵌入特征行走，实现信息融合。...
时间序列预测：MTGNN学习笔记 Multivariate Time Series Forecasting with Graph Neural Networks
prince0520的博客
08-05 3805
MTGNN学习笔记 Multivariate Time Series Forecasting with Graph Neural Networks
探索未来科技：Graph-Guided网络处理不规则采样多变量时间序列
gitblog_00074的博客
06-11 443
探索未来科技：Graph-Guided网络处理不规则采样多变量时间序列 RaindropGraph Neural Networks for Irregular Time Series项目地址:https://gitcode.com/gh_mirrors/ra/Raindrop 该项目——Graph-Guided Network For Irregularly Sampled Multivaria...
GRAPH-GUIDED NETWORK FOR IRREGULARLYSAMPLED MULTIVARIATE TIME SERIES相应代码调试
weixin_44563655的博客
04-26 193
图神经网络相对应的包。
顶会VLDB‘22论文解读：多元时序预测算法METRO
华为云官方博客
10-25 2159
摘要：本文提出了一个端到端的MTS预测框架METRO。METRO的核心思想是利用多尺度动态图建模变量之间的依赖关系，考虑单尺度内信息传递和尺度间信息融合。
论文笔记--Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks
chenxino的博客
09-21 2575
作者提出了一个针对多元时间序列数据设计的通用图神经网络框架。通过图形学习模块自动提取变量之间的单向关系。进一步对空间上图卷积层和时间上空洞卷积层进行改进来捕获时间序列中的空间和时间依赖性。 Problem Definition Challenge: ①在时间序列预测的问题上，目前的GNN方法都依赖于预先定义的图结构。但大多数情况下，多元时间序列没有明确的图结构。变量之间的关系应该从数据种获得。 ②即使给定空间上的图结构，给定的图结构未必是最优的，在图学习的过程中，应该在训练过程种不断更新。 解决
Multi-Scale Adaptive Graph Neural Network for Multivariate Time Series Forecasting
小蚂蚁与大象
10-27 442
然而，在现实世界的许多MTS中存在多尺度时间模式，单一的变量间依赖使得模型更倾向于学习一种突出且共享的时间模式。由于变量间依赖关系在不同的时间尺度下可能是不同的，因此设计了一个自适应图学习模块来推断特定于尺度的变量间依赖关系，而不需要预先定义先验。针对多尺度特征表示和特定尺度的变量间依赖关系，引入多尺度时间图神经网络对变量内依赖关系和变量间依赖关系进行联合建模。然后，我们开发了一个尺度融合模块，有效地促进了不同时间尺度的协作，并自动捕获贡献的时间模式的重要性。
Dual-Task Interactive Learning for Unsupervised Spatio-Temporal–Spectral Fusion of Remote Sensing Images的代码
最新发布
10-16
"双任务交互式学习对于遥感图像时空谱融合的无监督方法"是一种利用深度学习技术处理遥感数据的高级策略。这种代码通常涉及卷积神经网络（CNN）的联合训练，其中包含两个任务：一是对时空特征的学习，另一个是对光谱特征的分析。它通过让模型同时处理空间、时间序列和光谱信息来增强特征融合。 这类代码的核心通常包括以下几个步骤： 1. 数据预处理：加载并标准化遥感数据集，可能需要分割成时空片段。 2. 模型架构：设计一个包含空间流、时间流和光谱流的模块，比如U-Net、LSTM或其他适合处理时空序列的结构。 3. 双任务损失函数：定义一个综合考虑两个任务的损失函数，如交叉熵加权的总和。 4. 交互学习：通过梯度更新相互影响，空间流可以指导光谱流理解更丰富的上下文，反之亦然。 5. 无监督学习：因为没有标注数据，可能会使用自监督策略，如预测下一个时间步、重构输入等。 具体的Python代码库如PyTorch、TensorFlow或Keras中可能的样子会像这样： ```python import torch.nn as nn from unet import UNet #假设这是自定义的空间+光谱融合Unet class DSTSF(nn.Module): def __init__(self): super(DSTSF, self).__init__() self.spatial_unet = UNet(spatial_input_channels=... #空间通道数 self.temporal_lstm = LSTM( ... #定义时间序列部分 # 光谱分支可以类似地定义 def forward(self, x_spatiotemporal): spatial_out = self.spatial_unet(x_spatiotemporal[:, :, :, :]) temporal_out = self.temporal_lstm(x_spatiotemporal[:, :, :, -1]) #只取最后一维作为时间序列输入 # 进行融合操作（例如concatenation） fused_output = torch.cat([spatial_out, temporal_out], dim=-1) return fused_output # 使用交叉熵等损失函数 + 学习率衰减策略 optimizer = torch.optim.Adam(model.parameters(), lr=0.001) loss_fn = nn.CrossEntropyLoss() for epoch in range(num_epochs): # 训练循环 outputs = model(inputs) loss = loss_fn(outputs, targets) # 假设targets是无标签的目标输出 optimizer.zero_grad() loss.backward() optimizer.step() ```
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