时空数据预测(基于图神经网络)
文章平均质量分 70
西西弗的小蚂蚁
不要辜负这美好的时光!
展开
-
Multi-Scale Adaptive Graph Neural Network for Multivariate Time Series Forecasting
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。原创 2023-10-27 11:43:49 · 325 阅读 · 0 评论 -
TSMixer: Lightweight MLP-Mixer Model for Multivariate Time Series Forecasting
受MLP- mixers在视觉领域的成功启发,本文提出了TSMixer,这是一种纯粹设计的MLP架构,具有经验验证的时间序列特定增强,用于多变量预测和表示学习。MLP Mixer layers, 直观地说,每个Mixer layers(图2b)试图学习三个不同方向上的相关性:(i)不同patch之间,(ii) patch内部隐藏特征之间,以及(iii)不同通道之间。它还优于最新的强大的。时间序列数据通常具有固有的层次结构,要么是明确已知的(例如,层次预测数据集[15]),要么是隐含的特征。原创 2023-08-02 15:42:00 · 1105 阅读 · 0 评论 -
Online Anomalous Subtrajectory Detection onRoad Networks with Deep Reinforcement Learning
在地图匹配轨迹的基础上,基于道路段间的历史过渡数据,采用一些启发式方法计算轨迹中涉及的道路段的标签。虽然针对这一任务已经提出了许多方法,但它们存在各种问题,包括(1)无法检测异常子轨迹,这是轨迹数据中更细粒度的异常,和/或(2)非数据驱动,和/或(3)需要足够的监督标签,收集成本很高。在两个真实数据集上进行了大量的实验,结果表明我们的解决方案可以显著优于最先进的方法(提高了20-30%),并且可以有效地进行在线检测(处理每个新生成的数据点所需的时间不到0.1ms)。原创 2023-02-26 11:30:48 · 109 阅读 · 0 评论 -
时空数据挖掘(ICDM2023)
具体而言,首先设计了一个空间依赖模块来建模交通流内部的各种空间相关性,其中首先构建了多关系图来从多个角度考虑相关性,然后提出了一个多图卷积神经网络来捕获交通流的综合空间依赖并充分传播观测到的交通值,以缓解空间域数据稀疏问题。同时,为了解决时间连续数据缺失问题,采用改进的双向循环神经网络同时考虑历史和未来信息来捕获交通流的时间依赖关系,并采用时间衰减机制来控制相邻时间片之间信息的不规则传递。在真实数据集上的广泛实验表明,Know-ST在各种基准下的性能优于多个基线,表明了所提出框架的有效性。原创 2023-02-22 19:51:07 · 414 阅读 · 0 评论 -
FC-GAGA: Fully Connected Gated Graph Architecture for Spatio-Temporal Traffic Forecasting
当有一个可用的图来捕获时间序列之间的关系时,就会出现该问题的一种特殊情况。本文提出一种新的学习架构,实现了与现有最好算法竞争或更好的性能,为了生成单个TS(图形模型中的节点)的预测,它用可学习的图权值对所有其他节点的历史观测值进行加权,通过ReLU对它们进行配门,然后将所有节点的配门观测值叠加,通过全连通残差块对其进行处理。本文提出了一种称为FC-GAGA的新架构,该架构将作者之前提出的全连接TS模型N-BEA (Oreshkin et al. 2020)和本文提出的硬图门机制的结合。原创 2023-02-22 12:02:43 · 321 阅读 · 1 评论 -
Stochastic Origin-Destination Matrix Forecasting Using Dual-Stage Graph Convolutional, Recurrent Neu
由于行程可能不会覆盖每个区间的所有OD对,因此得到的OD矩阵很可能是稀疏的。解决了从稀疏的历史OD矩阵预测完整的、近未来的OD矩阵的问题。本文将出行成本建模为分布,因为当在一对OD区域之间旅行时,即使在相同的间隔内,不同的车辆也可能以不同的速度行驶,例如,由于不同的驾驶风格或在十字路口的不同等待时间。为解决这个问题,本文提出了一个通用的学习框架,(i)利用矩阵分解和图卷积神经网络来解决数据稀疏问题,同时捕获空间相关性;本文研究了随机起讫点矩阵的预测问题——基于历史随机od矩阵预测未来的od矩阵。原创 2022-10-26 12:03:30 · 10 阅读 · 0 评论 -
Automated Spatio-Temporal Synchronous Modeling with Multiple Graphs for Traffic Prediction
设计了一个基于图神经网络(graph neural network, GNN)的架构搜索模块来捕获局部的时空相关性,联合利用从不同角度构建的多个图来寻找更好的消息传递方式来挖掘此类相关性。进一步,提出了一种基于卷积神经网络(CNN)的架构搜索模块来捕获不同范围的时间依赖,交通预测在许多智能交通系统中起着重要的作用。现有的许多工作设计静态的神经网络架构来捕获复杂的时空关联,难以适应不同的数据集。虽然最近的神经架构搜索方法已经解决了这个问题,但在时空建模中仍然采用搜索空间中预定义和固定组件的粗粒度搜索。原创 2022-10-23 18:40:44 · 11 阅读 · 0 评论 -
ST-GAT: A Spatio-Temporal Graph Attention Network for Accurate Traffic Speed Prediction
在5个真实的数据集上进行了广泛的评估,结果表明:(1)IST-graph在建模交通速度数据方面的有效性,(2)ST-GAT在预测精度上优于5个最先进的模型(即提高2 - 33%),以及(3)即使在异常交通情况下,ST-GAT也具有鲁棒性。IST-图是一个加权有向图,其中一个节点代表一个st点,一条边代表一对st点之间的IST依赖关系,一条边的权重代表IST依赖关系的强度,而一个属性代表st点的交通速度。时空模型结合了gnn(图神经网络)和RNNs(循环神经网络),在交通速度预测中表现出最先进的准确性。原创 2022-10-23 17:11:49 · 34 阅读 · 0 评论 -
Traffic Speed Imputation with Spatio-Temporal Attentions and Cycle-Perceptual Training
此外,它包含了额外的道路感知感知损失,这有助于鼓励保留更有意义的语义进行填补。在成都和纽约两个真实数据集上进行了大量实验,结果表明,STCPA在成都和纽约数据集上分别比最好的基准算法提高了7.64%和5.00%。𝑆2𝑇2𝐴的概述如图5所示,它由空间注意力(𝑆𝐴)、时间注意力(𝑇𝐴)和时空注意力(𝑆𝑇𝐴)组成。具体来说,𝑆𝐴用于捕获当前时间间隔内道路之间的相关性,𝑇𝐴负责跨时间的每条道路的相关性,𝑆𝑇𝐴将当前时间间隔内道路的相关性和历史上其他道路的相关性考虑在内。,现有的数据填补方法还不够充分。原创 2022-10-23 17:01:58 · 5 阅读 · 0 评论 -
Domain Adversarial Spatial-Temporal Network:A Transferable Framework for Short-term Traffic Forecas
准确的实时交通预测是智能交通系统(ITS)的关键,是各种智能移动应用的基石。尽管该研究领域以深度学习为主,但最近的研究表明,通过开发新的模型结构来提高精度的效果正在变得边缘化。DastNet在多个源网络上进行预训练,并利用目标网络的流量数据进行微调。利用图表示学习和对抗性域适应技术来学习域不变的节点嵌入,进一步将其纳入对时序流量数据的建模。经过训练的DastNet被应用于香港的新交通检测器,获得准确的交通。如图3所示,DastNet的训练分为两个阶段,我们在图中使用两个源域进行说明。原创 2022-10-23 16:48:29 · 8 阅读 · 0 评论 -
TITS2022
Semi-Supervised Federated Learning for Travel Mode Identification From GPS Trajectories随着各种基于GPS的智能设备的发展,GPS轨迹作为出行模式识别的重要数据源。但是,这些数据直接集成了用户的隐私信息,从而阻碍了用户与第三方共享数据。另一方面,现有的识别方法严重依赖于各自的人工出行方式标注,其生产效率低,容易出错。在本文中,我们提出了一种半监督联邦学习(SSFL)框架,可以在不使用用户原始轨迹数据或依赖显著数据标签的情况原创 2022-09-25 12:24:23 · 20 阅读 · 0 评论 -
Robust Road Network Representation Learning: When Traffic Patterns Meet Traveling Semantics
通过这两个模块,我们可以学习可以捕捉道路网络多方面特征的表示,并应用于基于路段的应用程序和基于轨迹的应用程序。不幸的是,标准图表示学习方法的性能,特别是GNN,受到这种特征一致性的影响。本文提出一种新的框架Toast(基于轨迹增强transformer的交通上下文感知skip-gram),来学习鲁棒的表示,可以捕获路网上的交通模式和旅行语义。最后,我们设计了一个包含四个典型运输规划任务的基准测试,以评估Toast的有效性,并通过综合实验验证了Toast在所有任务中的表现始终优于最先进的基准测试。原创 2022-09-24 11:29:51 · 9 阅读 · 0 评论 -
Spatial Object Recommendation with Hints: When Spatial Granularity Matters
为了实现定义2中所示的目标,利用多任务学习对POI树的所有层次进行联合优化,其中每个任务都包括给定POI层次的两个主要子任务:基于属性的表示学习(第3节)和基于交互的表示学习(第4节)。这允许用户以交互方式提供额外的信息,以使当前的推荐符合他们的信息需求。本质上,子poi是学习到的特征,直接对任何相关的更高层次的poi做出贡献,并且可以存在这样的父子关系的多个层次。本文研究了如何支持不同空间粒度的top-𝑘空间对象推荐,使不同粒度的空间对象,如城市、郊区或建筑物,成为一个兴趣点(POI)。原创 2022-09-23 22:09:44 · 2 阅读 · 0 评论 -
An Effective Joint Prediction Model for Travel Demands and Traffic Flows
设计了有效的区域嵌入,以捕获两种形式的区域级相关性:空间接近的区域具有相似的嵌入,而具有相似属性(如兴趣点的数量和区域中道路的数量)而不是位置的区域具有相似的嵌入。其次,提取"天-周"和"时间-天"特征,利用时间周期性设计时间区间的嵌入;再次,提出了一种有效的交通数据编码方法,该方法捕捉了两种形式的交通间相关性——过去和未来交通之间的相关性,以及过去交通数据中出行需求和交通流量之间的相关性。相似性感知图考虑每个区域的位置以外的相似性(例如,兴趣点的数量和道路的数量),以捕获第二种形式的相关性。原创 2022-09-23 21:07:57 · 3 阅读 · 0 评论 -
Public Transport Planning: When Transit Network Connectivity Meets Commuting Demand
Public Transport Planning: When Transit Network Connectivity Meets Commuting Demand本文首次尝试在公交路线规划(CT-Bus)中同时考虑通勤需求和公交网络连通性,并将其描述为一个约束优化问题:在不建立新的公交站点的情况下,在现有公交网络上规划一条具有𝑘条边的新公交路线,以最大化通勤需求和公交网络连通性的线性聚集。我们证明了CT-Bus的np -困难性,并提出了一种基于扩展的贪婪算法,迭代地扫描网络中的潜在候选路径。为了提高计原创 2022-09-23 16:37:55 · 7 阅读 · 0 评论 -
Effective Travel Time Estimation: When Historical Trajectories over Road Networks Matter
本文提出一种新的基于神经网络的预测模型,充分利用了文献中忽略的一个重要事实——对于过去的OD行程,其旅行时间通常与它所沿着的轨迹有关,而在预测期间并不存在。之后,将与轨迹相关的时间戳与时间槽进行匹配,并利用时间槽嵌入来表示时间属性.接下来,构建一个时序图来捕获时间槽嵌入的周和日周期性。为了将每个OD输入与其关联的轨迹相绑定,还将OD输入编码为一个隐藏表示,使隐藏表示接近于轨迹的时空表示。2. 首先,给定历史出行记录,分别为OD输入及其附属轨迹设计新的表示,使它们在潜空间中相互接近,仍然是一个关键挑战。原创 2022-09-23 14:13:35 · 9 阅读 · 0 评论 -
时空数据挖掘十
DEEPTRAVEL: a Neural Network Based Travel Time Estimation Model with Auxiliary Supervision道路行驶时间的估计对城市智能交通具有重要意义。现有的方法要么是基于每个路段的时间成本估计,要么是基于非学习的启发式设计。前者无法捕获许多跨段复杂因素,后者无法利用数据已有的丰富时间标签,即每个轨迹点的时间戳。在本文中,我们利用深度神经网络的新发展,提出了一种新的辅助监督模型,即DEEPTRAVEL,可以自动有效地提取不同的特征,并原创 2022-09-13 20:26:41 · 5 阅读 · 0 评论 -
时空数据挖掘九
虽然这种方法总体上是有效的,但排名对中的负样本是随机获得的,可能无法在模型训练中利用“关键”负样本。给定一组路线,一组要访问的地点O和一个阈值θ,我们检索由(i)相似度不小于θ且(ii)包含最小数量的子路线组合组成的路线。考虑到几乎所有的ML工具包都假设ML算法的输入是一个单表,即使许多真实世界的数据集由于在DB中的规范化而存储为多个表。本文主要研究归一化数据上的高斯核分解SVM。本文通过分解高斯核函数计算,提出了两种主要的SVM优化方法的分解学习方法,即梯度下降(GD)和序列最小优化(SMO)。原创 2022-09-12 18:11:32 · 154 阅读 · 0 评论 -
时空数据挖掘八
由于出行的部分和剩余部分通常具有一些共同的特征,如驾驶速度,因此需要探索这些特征,通过有效的适应来提高性能。由于具有不同上下文信息的轨迹往往具有不同的特征,现有的ER-TTE元学习方法对所有轨迹使用相同的模型,不能很好地拟合每条轨迹。针对冷启动问题,将元学习中精心设计的特定于用户和特定于区域的任务无缝集成,通过合理融合区域无关的个人偏好和区域相关的人群偏好来捕获区域感知的用户偏好。现实世界中的大多数网络表现出复杂和异构的形式,包含节点之间的高阶关系和丰富的语义信息。原创 2022-09-12 17:36:33 · 242 阅读 · 0 评论 -
Origin-Destination Matrix Prediction via Graph Convolution: a New Perspective of Passenger Demand
网约车应用为司机和乘客提供方便的乘车服务,正变得越来越受欢迎,尤其是在北京或纽约这样的大都市。为了获取乘客的出行模式,在线出行服务平台需要提前预测从一个区域到另一个区域的乘客需求数量。本文将该问题表述为一个Origin-Destination Matrix Prediction (ODMP)问题。虽然这一问题对于大规模的乘车服务提供商来说至关重要,有助于他们做出决策,一些提供商已经公开提出1,但现有的研究并没有很好地解决这一问题。其中一个主要原因是ODMP问题比普通需求预测更具挑战性。原创 2022-09-12 16:38:40 · 486 阅读 · 0 评论 -
时空数据挖掘七
此外,提出了一种高效的分治算法来推导两个语义轨迹之间的空间相似度边界和文本相似度边界,使我们能够在不计算空间-文本相似度精确值的情况下剪枝不相似的轨迹对。其次,与传统的使用昂贵的黎曼梯度的双曲嵌入方法相比,该方法可以以更高效的方式进行优化。具体地,针对τi和τj中的不足,提出了轨迹对剪枝策略,剪枝"不合格"的轨迹对,而不需要计算每个对象对之间的相似度。然而,之前基于图的方法将GNN应用于构建的连通图,以学习每个POI的邻居的权重系数,这些POI是时变的和不透明的[11,13]。原创 2022-09-12 15:42:38 · 800 阅读 · 0 评论 -
Representative Routes Discovery From Massive Trajectories
我们不是对所有可能的路径执行深度优先搜索,而是通过开发一个最大权重算法来找到一个1/𝜂的近似解决方案。最后,在两个真实数据集上进行了全面的实验,验证了所提算法的有效性和效率,并证明了所提算法在交通监控任务中的有用性和快速响应时间。,这是一个有利于各种现实世界应用的基本操作,如交通监控和公共交通规划。我们引入一种最大权算法来近似最优解,并利用动态规划在满足预算约束的边图中寻找𝑘最大权路径。通过观察在现实世界中,每条边只连接到道路网络中的少数其他边,因此,在本节中,我们提出三种高效的算法来发现高质量的近似解。原创 2022-09-10 23:18:09 · 195 阅读 · 0 评论 -
Few-shot Learning for Trajectory-based Mobile Game Cheating Detection
另一方面,手机游戏作弊通过程序模拟玩家的输入获取不正当优势,严重损害了游戏的公平性,损害了用户体验。在过去的几十年里,许多面向PC游戏的作弊检测方法被提出,但由于移动设备的隐私、功耗和内存限制,它们不能直接应用于移动游戏中。更糟糕的是,在实践中,作弊程序的更新速度很快,导致新作弊模式的标签稀缺。FCDGame只消耗屏幕传感器数据,记录用户的触控轨迹,这对于几乎所有的手机游戏来说都是比较不敏感和普遍的。我们观察到手机游戏中的作弊模式通常在触摸轨迹中具有相似的潜在共同特征,可以推广到已见和未见的作弊模式。原创 2022-09-10 23:18:56 · 719 阅读 · 0 评论 -
Points-of-Interest Relationship Inference with Spatial-enrichedGraph Neural Networks
从这个例子中,我们可以观察到空间邻居可能与目标POI没有关系(例如𝑝3,𝑝5),而有关系的POI可能不是目标POI的空间邻居(例如𝑝8)。在这种情况下,重要的是利用具有关系的POI和空间邻居,以作为目标POI的不同方面的知识。用一个关系特定算子对不同关系聚合对目标表示的影响进行建模,该算子显式地建模邻居POI及其关系之间的交互。𝑝1 -𝑝7是圈内的空间邻居𝑝0,𝑝6——𝑝8竞争与𝑝0 互补关系和𝑝8不是𝑝0的空间邻居,和𝑝9𝑝11也与𝑝0空间邻居也没有关系。这里的问题是推断𝑝0和𝑝2之间的关系。原创 2022-09-10 12:17:21 · 264 阅读 · 1 评论 -
时空数据挖掘五(城市计算)
在文献中,基于物理的方法通常可以清晰地解释交通流系统的动态过程,但精度有限,而数据驱动的方法,特别是具有黑箱结构的深度学习,可以取得更好的性能,但由于缺乏合理的物理基础而不能完全可信。此外,为了培养被嵌入的深层结构阻碍的模型可解释性,提出了一种基于偏导数的方法来衡量DFCM中概念之间的联系强度。最后,我们通过预测司机的收入来评估我们的模型。在本文中,我们提出了一种新的FCM扩展,称为深度FCM (DFCM),用于多元时间序列预测,以同时利用FCM在解释方面的优势和深度神经网络在预测方面的优势。原创 2022-09-10 11:25:08 · 622 阅读 · 0 评论 -
时空数据挖掘四(城市计算)
在该框架的实现中,提出了一种新的神经网络模型,即基于物理学的人群模拟器(PCS),以及定制的交互机制,使两个模型相互促进。这两个模型在精度、逼真度和通用性方面都优于现有的最先进的仿真方法,证明了PIML框架在提高仿真性能方面的有效性,以及促进科学发现和加深对人群动力学的理解的能力。强化学习(RL)在决策方面具有强大的能力,然而,在开发基于RL的EPC策略时存在两个主要挑战:(1)关于无症状感染的潜伏期不可观察的信息给强化学习的决策带来困难;在四个任务的三个真实数据集上的广泛实验结果表明了所提模型的有效性。原创 2022-09-09 21:22:20 · 681 阅读 · 0 评论 -
时空数据挖掘三(城市计算)
What is the Human Mobility in a New City: Transfer Mobility Knowledge Across Cities随着物联网的发展,车辆、共享单车和移动设备的GPS轨迹反映了人们的出行模式和偏好,这对城市规划、企业选址等城市应用尤为重要。然而,由于隐私和商业方面的考虑,以及部署传感器的高成本和收集数据的长时间等因素,收集大量的人类移动数据并不容易,尤其是在新兴城市。基于人类移动是由起点和终点(origin and destination, OD)特征所反映原创 2022-09-09 17:23:18 · 563 阅读 · 0 评论 -
时空数据挖掘二(城市计算)
这样,我们的方法只需要对所有区域对之间的𝑀2相关性进行建模1,其中通常𝑀≪𝑁。此外,提出一种基于矩阵分解的元学习器,使细胞对随时间变化的外部因素产生特异性响应。实验结果表明,与目前最先进的方法相比,STRN在使用更少参数的情况下,误差降低了7.1% ~ 11.5%。此外,我们还部署了一个名为UrbanFlow 3.0的云系统,以展示该方法的实用性。本文将城市流量预测的视野扩展到细粒度,提出了特定的挑战:1)细粒度数据中观察到的网格间过渡的优势,使捕捉全球尺度上网格单元之间的空间依赖关系变得更加复杂;原创 2022-09-09 17:22:08 · 349 阅读 · 0 评论 -
Rebuilding City-Wide Traffic Origin Destination from Road Speed Data
经常使用的移动数据,例如GPS轨迹、监控摄像头,只能覆盖城市的一部分车辆或选定的区域。由于速度是由TOD生成的一个复杂过程,并且存在多个TOD分布可能生成类似的城市范围内道路速度观测值,因此具有很高的挑战性。利用TOD,我们可以通过模拟每个路段上的流量和速度来重建整个城市范围内的交通。请注意,虽然我们使用链接速度作为唯一的基本输入,但也可以添加其他辅助输入,如稀疏TOD张量、体张量、普查数据和POI数据。简而言之,路线上每个路段流量的关注强度是高度动态的,应该是当前时间步前几个时间帧的交通状况的函数。原创 2022-09-09 17:08:05 · 90 阅读 · 0 评论 -
时空数据挖掘一(城市计算)
直观地说,一条边的特征依赖于它的属性,如道路的连通性和节点之间的距离。为了对全市交通进行建模,受对交通缺失模式和先验知识的观察启发,提出了一种神经记忆和泛化方法来推断缺失的速度和流量,主要由一个用于速度推理的记忆模块和一个用于流量推理的泛化模块组成。基于三个真实的数据集进行了广泛的实验,以说明ST-MetaNetþ超越几种最先进的方法的有效性。城市交通预测对智能交通系统和公共安全具有重要意义,但具有3个方面的挑战:1)城市交通复杂的时空相关性,包括位置之间的空间相关性和时间戳之间的时间相关性;原创 2022-09-08 18:52:51 · 4032 阅读 · 4 评论 -
GMAN: A Graph Multi-Attention Network for Traffic Prediction(2020AAAI)
具体来说,我们提出了门控融合的空间和时间注意力机制来建模复杂的时空相关性。在两个真实数据集上的实验表明,GMAN取得了最先进的结果,并且预测的时间越长,优势越明显。为了说明的目的,我们专注于交通量和交通速度的预测,尽管我们的模型可以应用于其他数值交通数据的预测。空间注意力机制建模动态空间相关性,时间注意力机制建模非线性时间相关性,门控融合机制自适应融合空间和时间表示,形成每个st -注意力块。为了获得时变的顶点表示,我们将前述的空间嵌入和时间嵌入融合为时空嵌入(STE),如图2(b)所示。原创 2022-09-07 13:01:46 · 1514 阅读 · 0 评论 -
STPC-Net: Learn Massive Geo-Sensory Data as Spatio-Temporal Point Clouds
传感器的尺寸很小,因此它们的读数通常被建模为点。STPC利用了原始的不规则时空坐标,而STPC- net从STPC中捕获了传感器内和传感器间的相关性。在点分类的STPC-Net中,第二个卷积模块与第一个卷积模块相同,用于在输入点上提取更高层次的局部特征。使用真实数据集进行的实验表明,STPC-Net在移动和静止的地理传感数据上的不同任务中都取得了最先进的性能。目前,大量传感器安装在移动或固定平台上,不断产生带有地理标记和时间戳的读数(即地理传感数据),这些数据包含关于周围环境的丰富信息。原创 2022-09-06 21:17:26 · 122 阅读 · 0 评论 -
DeepSTD: Mining Spatio-Temporal Disturbances of Multiple Context Factors for Citywide Traffic Flow
在STD建模阶段,首先计算每个区域中每个POI类别的固有影响因子(IIF);然后,将多个上下文因素对每个POI类别的扰动影响建模为扰动影响因子(disturbance influence Factor, DIF);然后,通过3D卷积神经网络(3D CNN)[42]将IIF和DIF相结合作为STD来建模扰动的时空传播效应;深度学习技术已被广泛应用于交通流量预测,其中考虑了潜在的常规模式以及多种上下文因素(如时间和天气)。最后,将ResNet的输出与预测时间间隔的STD相结合,生成最终的预测结果。原创 2022-09-06 21:06:24 · 194 阅读 · 0 评论 -
Multi-Graph Fusion Networks for Urban Region Embedding
通过移动图融合模块将具有时空相似性的图作为移动模式进行融合;然后,在移动模式联合学习模块中,设计了基于模式内和模式间信息的多层次交叉注意力机制,从多种移动模式中综合学习嵌入信息;首先,定义移动图距离(mobility graph distance, MGD)来计算移动图之间的距离,并利用基于MGD的聚类方法对相似移动图进行聚类;从人类移动数据中学习城市区域的嵌入可以揭示区域的功能,然后实现相关但不同的任务,如犯罪预测。其次,在每个簇中,聚合所有移动图中的边以形成移动模式。区域与人流量之间存在相互关系。原创 2022-09-06 20:23:13 · 417 阅读 · 0 评论 -
PKDD(2022)
提出了在许多不同类型的时间序列上的结果;在模拟和真实时间序列上进行的实验表明,所提出方法对不同的因果结构是快速和鲁棒的wrt,并在所有数据集上产生良好的结果,而以前提出的方法往往只在少数数据集上产生良好的结果。在预测CHP功率输出的实际用例上,彻底评估了架构设计选择,并表明最终的架构大大提高了学习过程的鲁棒性,在存在非结构化和结构化标签噪声的情况下,始终优于其他最新的最先进的算法。在复杂的工业环境中,监控机器的运行以检测不期望的状态,调整维护计划,优化系统性能或收集单个机器的使用统计信息是常见的做法。原创 2022-09-06 15:24:43 · 216 阅读 · 0 评论 -
Dynamic Spatial-Temporal Graph Convolutional Neural Networks forTraffic Forecasting
将时空信息与动态拉普拉斯矩阵相融合,与两种最先进的基于图cnn的模型相比,该模型具有更高的容错性,平均精度提高10% ~ 25%。为了以较低的复杂度实现实时学习,创造性地将张量分解融入深度学习框架,将实时交通数据分解为稳定且依赖于长期时空交通关系的全局分量和捕捉交通波动的局部分量。其次张量用来模拟不同时间槽下的交通流量,这类划分时间段的办法也值得怀疑,虽然很多时空数据挖掘中也采用这类方法,但是交通流量的长期或者短期的依赖关系,不同时间粒度的划分,很难模拟依赖关系。本文将c设置为1,重点关注交通速度的监测。.原创 2022-08-31 17:36:42 · 917 阅读 · 0 评论 -
Deep Variational Graph Convolutional Recurrent Network for Multivariate Time Series Anomaly Detect
本文提出一种新的深度变分图卷积循环网络(DVGCRN),由一个成熟的深度嵌入引导的概率生成网络(DEPN)来建模MTS中的分层不确定性相互关系,堆叠的图卷积循环网络(SGCRN)来建模多级时间依赖,以及高斯分布的信道嵌入来描述不同信道的相似性和随机性,如图6所示。2): MTS中总是存在一些噪声时间序列,如Fig. 1 (a)中的“Out rate”、“in rate”、“Hit TTFB”,这些噪声时间序列既会引起时间波动,也会引起关系波动,从而容易导致误判,如图1 (a) (b)中的区域4所示。...原创 2022-08-29 17:49:57 · 1406 阅读 · 3 评论 -
DSTAGNN: Dynamic Spatial-Temporal Aware Graph Neural Network for Traffic Flow Forecasting
然而,由于道路网络中存在复杂的动态时空相关性,实现高度准确的交通流预测是一项具有挑战性的任务。背景:1)文中历史数据是高度动态和复杂的时空依赖模式 2)不考虑区域之间的距离,相似的城市功能区可能导致路网中节点之间的交通数据存在相关性。首先,考虑到历史数据承载着路网空间结构的内在动态信息,提出了一种基于数据驱动策略的动态时空感知图,以取代传统图卷积中预定义的静态图。时空感知距离(STAD)可以为节点之间的依赖关系提供更准确的估计,但这些依赖关系的动态特性需要进一步细化以适应实时数据的变化。...原创 2022-08-29 13:52:56 · 1988 阅读 · 0 评论 -
GSNet: Learning Spatial-Temporal Correlations from Geographical and Semantic Aspects for Traffic
具体而言,时空地理模块将时空网格特征和时间特征作为输入,利用卷积、门控单元(GRU)和时间注意力对区域间的地理时空关联进行建模;然而,由于交通事故受多种因素影响,且对时空维度特征具有多尺度依赖性,因此对交通事故进行预测非常具有挑战性。在该模型中,设计了时空地理模块来捕获区域间的地理时空关联,设计了时空语义模块来建模区域间的语义时空关联。首先利用卷积对地理空间相关性进行建模,然后利用GRU和时间注意力机制动态捕捉地理空间的短期和长期时间相关性。图2展示了我们的GSNet模型的架构,该架构主要由两个模块组成,原创 2022-08-23 11:50:06 · 712 阅读 · 0 评论 -
Pre-training Context and Time Aware Location Embeddings from Spatial-Temporal Trajectories for User
在现实世界中,一个位置在不同的环境下通常具有不同的功能。然而,现有的基于轨迹预训练的位置嵌入大多基于分布式词表示,将位置的各种功能混合到一个潜在的表示向量中。为了将轨迹中的时间信息纳入位置嵌入,提出了一个细微的时间编码模块和一个新的预训练目标,进一步提高了位置嵌入的质量。实验结果表明,与现有的位置嵌入方法相比,CTLE模型可以预训练出更高质量的位置嵌入,并显著提升下游用户位置预测模型的性能。3)预训练目标,通过建模目标位置与上下文之间的共现概率以及对目标的绝对访问时间,将位置特征信息融入到它们的嵌入中。原创 2022-08-23 11:06:04 · 314 阅读 · 0 评论