时间序列数据预测(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
-
WITRAN: Water-wave Information Transmission and Recurrent Acceleration Network for Long-range Time S
此外,为了提高计算效率,我们提出了一种通用的循环加速网络(RAN),将时间复杂度降低到0(L),同时保持内存复杂度为0 (L)2)其次,为了保持长周期和短周期语义信息的特性,我们提出了一种新的水平垂直门控选择单元(HVGSU),该单元在两个方向上分别包含门控选择单元(GSCs)。在四个基准数据集上的实验表明,我们提出的水波信息传输和循环加速网络(WITRAN)方法在远程和超远程时间序列预测任务上分别比现有方法高出5.80%和14.28%。我们在切片中放置可并行点,更新后的信息传输过程如图4(c)所示。原创 2023-11-11 15:49:17 · 485 阅读 · 1 评论 -
时间序列特征
通过在数据集上训练神经网络模型,并将其转移到新的目标数据集进行微调,即在没有对该目标数据进行显式再训练的情况下,最终的性能至少与针对目标数据集定制的最先进模型一样好。但是由于存在分布偏移、目标数据集的属性未知等多种原因,预期的性能增益往往无法实现,这些原因往往与时间序列的复杂性相结合,例如:数据集之间的时间动态变化大,语义变化大,不规则采样,系统因素等。值得注意的是,具有自关注机制的Transformer最初被提出用于对语言序列建模,这些语言序列的标记(例如,单词)是离散的且高度语义化的。原创 2023-10-26 23:30:10 · 321 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 -
PriSTI: A Conditional Diffusion Framework for Spatiotemporal Imputation
作为新兴的强大生成模型,扩散概率模型可用于以观测为条件的缺失值填补,避免从不准确的历史填补中推断缺失值。然而,将扩散模型应用于时空填充时,条件信息的构建和利用是不可避免的挑战。针对扩散模型修复时条件信息构建和利用困难的问题,设计了一种专门的噪声预测模型来增强和提取条件特征。在本节中,我们首先介绍扩散模型如何应用于时空填补,然后介绍噪声预测模型的细节结构,这是扩散模型成功的关键。PriSTI在不同真实时空数据的各种缺失模式下均优于现有的填补方法,并能有效处理高缺失率和传感器故障等场景。原创 2023-03-07 21:45:43 · 413 阅读 · 1 评论 -
Neural Decomposition of Time-Series Data for Effective Generalization
本文提出一种用于时间序列数据分析和外推的神经网络技术,称为神经分解(ND)。具有正弦激活函数的单元用于将训练样本进行类似傅里叶的分解,分解为正弦函数的和,并通过具有非周期激活函数的单元来增广,以捕获线性趋势和其他非周期成分。展示了如何将谨慎的权重初始化与正则化相结合,以形成一个具有良好泛化能力的简单模型。原创 2023-02-21 23:44:58 · 10 阅读 · 0 评论 -
Self-supervised Trajectory Representation Learning with Temporal Regularities and Travel Semantics
第二阶段是时间感知的轨迹编码器(Time-Aware Trajectory Encoder, TAT-Enc),将同一轨迹中路段的表示向量编码为轨迹表示向量,同时在轨迹表示中融入时间规律。因为本研究使用的轨迹是一串互相邻接的路段的序列,如果对独立路段进行掩码,模型可以很容易地根据道路网络中的上游和下游路段推断出被掩码的路段。为了解决这个问题,我们提出了一个轨迹模式增强的图注意网络,即TPE-GAT,通过引入从历史数据中计算出的路段之间的转移概率矩阵来模拟路段的访问频率,扩展了GAT的注意权重计算。原创 2023-02-21 16:12:15 · 128 阅读 · 0 评论 -
Online Event-driven Subsequence Matching over Financial Data Streams
根据具体应用的需求,对检索结果进行不同方式的分析。讨论了一种基于统计信息的未来数据移动预测应用。利用趋势预测的正确性来评价子序列相似性匹配的性能。提出了一种面向海量数据流的自动在线子序列相似性匹配近似方法。通过对输入数据流同时进行在线分割和剪枝算法,得到的数据流分段线性表示具有很高的灵敏度和准确性。相似性的定义基于排列和度量距离函数,为相似性搜索提供了灵活性、敏感性和可扩展性。时间序列数据库中的子序列相似性匹配是许多应用领域的重要研究内容。查询序列是系统自动生成的传入数据流的分段数据表示的最新子序列。原创 2022-12-13 18:32:52 · 189 阅读 · 0 评论 -
Anticipatory DTW for Efficient Similarity Search in Time Series Databases
时间序列以传感器数据、股票数据、视频和其他与时间相关的信息的形式出现在许多不同的应用中。所提出的加速DTW的方法扩展了使用多步过滤-细化架构的DTW经典算法。在合成和真实时间序列数据库上的彻底实验表明,该技术在效率上有很大的提高,并表明该技术对多元、长时间序列和宽DTW波段具有高度的可扩展性。现有算法的目标是在求精阶段通过过滤数据库和计算DTW来高效地发现相似的时间序列。,即滤波器计算的子序列是子序列本身的有效滤波器。的弯曲路径与从结束到开始的弯曲路径是相同的。最后,DTW是可逆的,即计算从开始到结束。原创 2022-10-27 13:22:21 · 5 阅读 · 0 评论 -
Do Simpler Statistical Methods Perform Better in Multivariate Long Sequence Time-Series Forecasting?
最近的研究集中在开发大型深度学习框架,如Informer和SCINet,并取得了显著的结果。然而,这些复杂的方法并没有与更简单的统计方法进行基准测试,因此,这部分拼图在多变量长序列时间序列预测(MLSTF)中缺失。本文研究了两种简单的MLSTF统计方法,并进行了分析,表明线性回归比深度学习方法有一个误差上界,而SNaive可以作为一种有效的非参数方法,具有不可预测的趋势。对六个真实世界数据集的评估表明,线性回归和SNaive能够实现最先进的MLSTF性能。原创 2022-10-23 16:36:37 · 3 阅读 · 0 评论 -
Temporal and Heterogeneous Graph Neural Network for Financial Time Series Prediction
然后,提出一种异构图注意力网络,通过transformer编码器联合优化金融时间序列数据的嵌入,并推断目标移动的概率。此外,还将THGNN部署在一个真实的定量算法交易系统中,所获得的投资组合累计收益明显优于其他基线。文中提出了一种基于时态异构图神经网络(temporal and heterogeneous graph neural network, THGNN)的方法来学习金融时间序列中价格运动之间的动态关系。然而,现有的关系图通常通过人工标注或自然语言处理来构建,资源需求大、准确率低。原创 2022-10-23 16:28:53 · 20 阅读 · 0 评论 -
Memory Augmented Graph Learning Networks for Multivariate Time Series Forecasting
文中提出了一种记忆增强图学习网络(memory augmented graph learning network, MAGL),从MTS的全局历史特征中捕获空间相关性,使用一个记忆单元从MTS的局部数据中学习。记忆增强图学习器使用一个记忆单元来保存MTS的全局历史特征,以挖掘时间序列之间的序列间全局相关性。然而,现有方法仅从时间序列的局部数据中捕捉空间相关性,没有考虑时间序列的全局历史信息。它有三个组件,记忆增强的图学习器,空间特征聚合器和时间特征聚合器。原创 2022-10-23 11:44:28 · 5 阅读 · 0 评论 -
Multi-Scale Contrastive Siamese Networks for Self-Supervised Graph Representation Learning
为了证明所提方法的有效性,在五个真实数据集上进行了实证实验。所提出方法不仅实现了新的最先进的结果,而且还以很大的优势超过了一些半监督的对应方法。然后,采用两个目标,即跨视图和跨网络对比性,以最大化不同视图和网络的节点表示之间的一致性。关键点:图表示学习,解决图标签少的问题。搜到图对比学习和孪生网络的启发,采用了多尺度对比学习自监督蒸馏学习方法。然而,先前关于图表示学习的技术严重依赖于。受图对比学习和孪生网络最近在视觉表示学习中的成功启发。,本文提出一种新的自监督方法,通过。原创 2022-10-20 10:07:27 · 6 阅读 · 0 评论 -
Decoupled Dynamic Spatial-Temporal Graph Neural Network for Traffic Forecasting
因此,学习不好的信号部分会被保留。此外,针对两种隐时间序列的特点,分别设计了专门的扩散模型和固有模型。另一部分是从相邻区域扩散开来的车辆(酒红色箭头),例如从工业区(传感器3)和农业区(传感器4)行驶以提供日常用品的车辆。我们分别称它们为隐藏固有时间序列和隐藏扩散时间序列,图2(b)中的每个时间序列都是它们的叠加。因此,预测路网交通状态的能力是一项重要的功能,也是一项具有挑战性的任务。扩散模型旨在对节点间的扩散过程进行建模,其中目标节点未来的扩散信号依赖于相邻节点的最近值,即设置具有时空局部性。原创 2022-09-10 19:44:32 · 991 阅读 · 0 评论 -
PKDD (2021)
然而,一旦模型被部署到生产中,随着时间的推移,是它们的监控、维护和改进带来了大部分的成本和困难。在重新审视了基于cnn的不同分析任务的方法后,我们暴露了现有使用中的两个常见的关键缺陷:1)学习全局空间相关性的低效,2)忽略潜在区域函数。使用真实交通数据进行的大量实验表明,在稀疏观测下,所提方法比其他传统的交通估计方法具有更低的估计误差和更可靠的结果。在五个真实数据集上进行了广泛的实验评估,与其他最先进的方法相比,所提出方法可以获得高达两个数量级的运行时加速,以及类似或更好的聚类和分类性能。原创 2022-09-06 17:45:39 · 141 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 -
Unsupervised Time Series Outlier Detection with Diversity-Driven Convolutional Ensembles(VLDB2020)
随着社会、医疗、工业和科学过程的全面数字化,传感技术正在部署,产生越来越多的时间序列数据,从而推动大量新的或改进的应用。为了提高精度,集成使用了多个基于卷积序列到序列自动编码器的基本异常检测模型,这些模型可以捕获时间序列中的时间依赖关系。此外,一种新的多样性驱动的训练方法保持了基本模型之间的多样性,以提高集成的精度。报告了使用真实世界多元时间序列的广泛实验,为新方法的设计选择提供了见解,并提供了证据,证明它能够提高精度和效率。首先,CAE将时间序列窗口T嵌入到向量中,以捕获T中观察的内容和位置。原创 2022-08-23 09:04:55 · 438 阅读 · 0 评论 -
Learning Sparse Latent Graph Representations for Anomaly Detection in Multivariate Time Series(KDD)
阅读者总结:这篇论文的创新点在于将预测与异常检测结合起来,结合点在于把异常检测过程的隐藏变量和GCN结合起来,实现联合loss。2)文中采用稀疏编码的原因,阅读者不太理解,为什么本文在学习隐藏变量时,采用这种方法,虽然文中给了一个解释,但是很显然没有办法体现,采用这种方法的好处。首先,利用SAE从高维时间序列中提取非平凡(即稀疏和潜在)特征,将其作为解码器的输入进行重建,并作为GNN的输入进行预测。在3个真实的信息物理融合系统数据集上的实验结果表明,所提方法提升了异常检测的整体性能,优于基线方法。...原创 2022-08-18 16:53:45 · 1149 阅读 · 5 评论 -
Pre-training Enhanced Spatial-temporal Graph Neural Network for Multivariate Time Series Forecasting
TSFormer能够有效地从非常长期的历史时间序列中学习时间模式并生成段级表示,这为STGNNs的短期输入提供了丰富的上下文信息,并促进了时间序列之间的建模依赖。其次,设计了一个基于TSFormer表示的图结构学习器,用于学习离散依赖图,并将基于TSFormer表示计算的𝑘NN图作为正则化项来指导图结构和STGNN的联合训练。训练前模型旨在有效地学习非常长期的历史时间序列的时间模式,并生成分段级表示,其中包含丰富的上下文信息,这有利于解决第一个挑战。此外,随着输入序列长度的增加,模型的优化也会出现问题。..原创 2022-08-18 12:22:18 · 3300 阅读 · 0 评论 -
Learning the Evolutionary and Multi-scale Graph Structure for Multivariate Time Series Forecasting
当我们提出进一步解决上述两个问题时,面临三个挑战:1)演进的图结构不仅受当前输入的影响,而且与前一个时间步的自身具有很强的相关性。变量之间的依赖关系不仅会随着时间的推移而变化,而且会在不同的时间尺度上发生变化,固定的邻接矩阵很难描述这种相关性。此外,不同时间尺度下的图结构演化模式也不尽相同。总之:这篇论文是演化图神经网络的应用,与之前KDD2020上的静态图结构,以及在ICDE2021上的图卷积神经网络识别不同时间粒度主题类似。最后,在单步和多步预测任务上的实验证明了我们的方法比最先进的方法的优越性。...原创 2022-08-18 10:44:23 · 1096 阅读 · 2 评论 -
METRO: A Generic Graph Neural Network Framework for Multivariate Time Series Forecasting(VLDB)
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。...原创 2022-08-16 11:10:18 · 519 阅读 · 0 评论 -
Multivariate Time-series Anomaly Detection viaGraph Attention Network
该方法将每个单变量时间序列视为一个单独的特征,并试图显式地建模不同特征之间的相关性,同时对每个时间序列内的时间依赖性进行建模。面向特征的图关注层捕捉多个特征之间的因果关系,面向时间的图关注层强调沿时间维度的依赖关系。此外,我们联合训练了一个基于预测的模型和一个基于重构的模型,以更好地表示时间序列数据。损失函数定义为两个优化目标的和,即loss = Lossfor + Lossrec,其中Lossfor为基于预测模型的损失函数,Lossrec为基于重构模型的损失函数。通过广泛的实验证明了该模型的有效性。...原创 2022-08-12 11:42:58 · 869 阅读 · 0 评论 -
MAD-SGCN: Multivariate Anomaly Detection with Self-learning Graph Convolutional Networks
当相邻数据点之间不存在时间依赖关系且不同变量之间的相关性为线性时,其性能可能较好,但当处理高度复杂的多元时间序列数据时,其性能不佳,这证实了对此类数据内部的时间和空间信息进行建模的必要性。然而,这种方法对于没有显式图结构的数据集是不可行的。此外,本文建议应用具有稀疏性和不确定性约束的自监督学习,以准确和自动地学习序列中不同变量之间的关系,即图的结构。利用两个变量之间具有相同关系的不同gcn分别对正常序列和随机置换序列进行编码,迫使图结构通过判别器的监督来学习,判别器的目的是区分从这两种来源生成的特征。...原创 2022-08-09 12:03:54 · 438 阅读 · 2 评论 -
Graph Neural Network-Based Anomaly Detection in Multivariate Time Series
给定高维时间序列数据(如传感器数据),我们如何检测异常事件,如系统故障和攻击?更具有挑战性的是,我们如何以捕捉复杂的传感器间关系的方式来做到这一点,并检测和解释偏离这些关系的异常?最近,深度学习方法使高维数据集的异常检测成为可能;然而,现有的方法没有明确地学习变量之间现有关系的结构,也没有使用它们来预测时间序列的预期行为。该方法将结构学习方法与图神经网络相结合,另外使用注意力权重为检测到的异常提供可解释性。在两个具有真实异常的真实传感器数据集上的实验表明,所提出方法比基线方法更准确地检测异常,准确捕获传感器原创 2022-08-07 16:50:56 · 523 阅读 · 0 评论 -
DyGRAIN: An Incremental Learning Framework for Dynamic Graphs
在本节中,我们从动态图的基本概念开始,并演示动态图上增量学习的挑战,然后介绍我们的框架DyGRAIN的组成部分:Influence Propagation和KD with Truth。已经出现了许多图神经网络(gnn)的变体来学习图结构数据,其中底层图是静态的,尽管在各种现实世界的应用中,为了应对这些挑战,本文提出动态图增量学习(DyGRAIN),一种用于训练动态图的框架,它捕捉了感受野随时间的影响变化,并通过以下组件提取先前学习的知识。该框架的目标是有效地学习具有动态性质的图拓扑的增量输入。...原创 2022-08-07 11:35:24 · 608 阅读 · 0 评论 -
Physics-Informed Long-Sequence Forecasting From Multi-Resolution Spatiotemporal Data
实验结果表明,在没有对多分辨率数据进行专门设计的情况下,我们提出的方法在长序列预测任务上取得了最好的性能。为改进分辨率内建模,将基于库普曼理论的动态系统建模与基于深度学习的预测模块相结合,以进行更有原则的动力学建模。本文介绍了提出的基于物理的分辨率内动力学建模,其中基于神经网络的模块和基于库普曼理论的模块相结合,用于在每个时间分辨率中进行编码和预测。面对的问题:为了弥合多分辨率时空数据和长序列预测之间的差距,所提出的模型必须解决两个方面的挑战。...原创 2022-08-07 10:52:19 · 311 阅读 · 0 评论 -
Beyond Homophily: Structure-aware Path Aggregation Graph Neural Network
为在编码路径的同时保留高阶邻域的上下文,本文提出一种结构感知的路径编码器,具有两个优势:通过循环机制保持顺序,并通过利用到目标节点的距离来捕获上下文结构。具体地说,我们首先引入了一个最大熵路径采样器,它帮助我们对许多包含结构上下文的路径进行采样。然后,我们引入一个结构感知的循环单元,由保序和距离感知组件组成,以学习邻域的语义信息。设计了一种结构感知的循环单元来编码路径嵌入,能够融合路径中每个节点的顺序和距离信息,从而捕获语义信息。进一步,对路径偏好进行建模,区分不同路径的重要性,实现自适应路径嵌入聚合。..原创 2022-08-06 13:31:49 · 620 阅读 · 0 评论 -
Multi-view Unsupervised Graph Representation Learning
本文设计了一种新的多视图无监督图表示学习方法,包括自适应数据增强和多视图对比学习,以解决对比学习忽略特征空间信息的问题。具体而言,自适应数据增强首先从特征空间构建特征图,然后在原始表示和拓扑图上设计深度图学习模型来更新特征图和新表示。我们的自适应数据增强首先从特征空间生成特征图,然后设计一个深度图学习模型,在原始表示的基础上联合更新特征图和新的表示。与独立于对比学习的传统数据增强不同,本文将自适应数据增强和多视角对比学习嵌入到一个框架中,形成一个端到端的模型,共同进行数据增强和多视角对比学习。...原创 2022-08-05 22:30:42 · 588 阅读 · 2 评论 -
RAW-GNN: RAndom Walk Aggregation based Graph Neural Network
为了超越GCNs现有的聚合机制,充分利用基于路径的邻域信息,本文采用了一种基于顺序循环神经网络(sequential Recurrent Neural Networks, RNN)的聚合器,该聚合器可以考虑随机游走所保留的邻居节点的顺序信息。此外,现有直接聚合高阶邻居的方法利用经典的求和聚合器,根据高阶邻居到目标节点的距离来聚合高阶邻居,并将不同距离的聚合结果连接起来。路径聚合器的目标是对路径上的所有节点进行编码,并考虑路径上节点的顺序,以保留更多连接节点之间的关系信息。主要关注与异质图的卷积过程。...原创 2022-08-05 21:47:10 · 734 阅读 · 1 评论 -
GRELEN: Multivariate Time Series Anomaly Detection from the Perspective of Graph Relational Learning
在解码器部分使用了图卷积网络,但是图卷积网络的输入是利用attention机制学习到的embedding,这导致学习到的图结构是否是时间序列变量之间的真实关系?2)文中提出的异常检测是时间序列每个时间点上的异常检测,也就是每个滑动窗口内的点异常,那么在学习到的图中,怎么判断某个点是不是异常了?随着信息物理融合系统和IT系统的快速发展,多个传感器从不同角度表征系统状态,这启发我们在检测异常时考虑传感器之间的特征依赖关系,而不是关注单个传感器的行为。通过监测测试数据的传感器依赖关系,实现异常检测与诊断。...原创 2022-08-04 15:48:24 · 1103 阅读 · 3 评论 -
Attention based Multi-Modal New Product Sales Time-series Forecasting
摘要:潮流驱动的零售行业,如时装,推出大量的新产品每一季。在这种情况下,对这些新推出产品的准确需求预测对于高效的下游供应链规划至关重要,如分类规划和库存分配。传统的时间序列预测算法可以用于现有产品的销售预测,而新产品没有任何历史时间序列数据作为预测的基础。在本文中,我们提出并实证评估了几种新颖的基于注意力的多模态编码器-解码器模型,以纯粹基于产品图像、任何可用的产品属性以及外部因素(如假期、事件、天气和折扣)来预测新产品的销售。我们在大型时尚数据集上实验验证了我们的方法,并报告了与现有的基于k近邻的基线方法原创 2022-06-09 00:05:06 · 273 阅读 · 0 评论 -
tamp-s2gcnets: coupling time-aware multipersistence knowledge representation with spatio-supra gr...
tamp-s2gcnets: coupling time-aware multipersistence knowledge representation with spatio-supra gr...图神经网络(gnn)已被证明是一种强大的机器,学习复杂依赖在多元时空过程。然而,大多数现有的gnn具有固有的静态架构,因此,不能显式地考虑编码知识的时间依赖性,并限制了它们同时推断实体之间潜在的时间条件关系的能力。我们假设,这种隐藏的时间条件属性可能被多持久性工具捕获,即拓扑数据分析中的一种新兴机制,它允许原创 2022-06-02 09:32:54 · 397 阅读 · 0 评论 -
Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs
Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs长期以来,多元时间序列预测在能源消耗和交通预测等实际应用中受到了广泛关注。虽然最近的方法显示出良好的预测能力,但它们有三个基本的局限性。(i).离散神经结构:交错单独参数化的空间和时间块来编码丰富的底层模式,导致不连续的潜在状态轨迹和更高的预测数值误差。(ii).高复杂性:离散方法使用专用设计和冗余参数使模型复杂化,导致更高的计算和内存开销。(iii).对图先验的依赖:依原创 2022-06-02 09:33:26 · 562 阅读 · 0 评论 -
Graph WaveNet for Deep Spatial-Temporal Graph Modeling
Graph WaveNet for Deep Spatial-Temporal Graph Modeling时空图建模是分析系统中各组成部分的空间关系和时间趋势的一项重要任务。现有的方法大多捕捉固定图结构的空间依赖性,假设实体之间的潜在关系是预先确定的。但是,显式的图结构(关系)并不一定反映真实的依赖关系,真正的关系可能会因为数据中的连接不完整而缺失。此外,现有的方法无法捕获时间趋势,因为这些方法中使用的rnn或cnn不能捕获长期时间序列。为了克服这些局限性,我们在本文中提出了一种新的图神经网络结构,图原创 2022-06-01 09:00:39 · 1076 阅读 · 0 评论 -
GraphSleepNet: Adaptive Spatial-Temporal Graph Convolutional Networks for Sleep Stage Classificat...
GraphSleepNet: Adaptive Spatial-Temporal Graph Convolutional Networks for Sleep Stage Classificat...睡眠阶段分类对睡眠评估和疾病诊断至关重要。然而,如何有效地利用不同睡眠阶段的大脑空间特征和过渡信息仍然是一个挑战。特别是,由于对人类大脑的认识有限,为睡眠阶段的分类预先定义一个合适的大脑空间连接结构仍然是一个悬而未决的问题。在本文中,我们提出了一个新的深度图神经网络,命名为GraphSleepNet,用于自原创 2022-06-02 09:33:49 · 787 阅读 · 0 评论 -
filling the g ap s: multivariate time series imputation by graph neural networks
filling the g ap s: multivariate time series imputation by graph neural networks在处理来自真实应用程序的数据时,处理缺失的值和不完整的时间序列是一项劳动密集型、乏味且不可避免的任务。有效的时空表征将允许imputation方法通过利用来自不同位置传感器的信息来重建缺失的时间数据。然而,标准方法在捕捉相互连接的传感器网络中存在的非线性时间和空间依赖性方面存在不足,而且不能充分利用可用的和通常很强的关系信息。值得注意的是,大多数原创 2022-06-02 09:34:08 · 935 阅读 · 0 评论 -
Dynamic Graph Learning-Neural Network for Multivariate Time Series Modeling
Dynamic Graph Learning-Neural Network for Multivariate Time Series Modeling摘要:多元时间序列预测是一项具有挑战性的任务,因为数据涉及长期和短期模式的混合,变量之间具有动态的时空相关性。现有的图神经网络(GNN)通常用预定义的空间图或学习到的固定邻接图来建模多元关系。它限制了GNN的应用,无法应对上述挑战。在本文中,我们提出了一个新的框架,即静态和动态图学习神经网络(SDGL)。该模型从数据中获取静态和动态图矩阵,分别对长期和短期原创 2022-06-02 09:34:35 · 124 阅读 · 0 评论 -
Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks
Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks摘要:长期以来,多元时间序列建模一直吸引着经济、金融和交通等各个领域的研究人员。多元时间序列预测的基本假设是变量之间相互依赖,但如果仔细观察,现有的方法不能充分利用变量对之间潜在的空间相关性。近年来,图神经网络(gnn)在处理关系依赖方面表现出了很高的能力。gnn需要定义良好的图结构来进行信息传播,这意味着它们不能直接应用于依赖关系未知的原创 2022-06-02 09:34:51 · 1593 阅读 · 1 评论 -
AGCNT: Adaptive Graph Convolutional Network for Transformer-based Long Sequence Time-Series Forecing
AGCNT: Adaptive Graph Convolutional Network for Transformer-based Long Sequence Time-Series Forec...存在一些问题限制了基于transformer的LSTF模型的性能:(i)不考虑序列之间的潜在相关性;(ii)编码器-解码器的固有结构从复杂度上来说,经过优化后难以扩展。AGCNT具有以下特点:(i)概率自适应图自注意,通过自适应图生成将长序列映射到一个低维密集图结构,并通过自适应图卷积捕获序列之间的关系原创 2022-06-02 09:35:15 · 239 阅读 · 0 评论