时间序列预测 Graph-WaveNet:Graph WaveNet for Deep Spatial-Temporal Graph Modeling

Graph-WaveNet

    • [Graph WaveNet for Deep Spatial-Temporal Graph Modeling](#Graph WaveNet for Deep Spatial-Temporal Graph Modeling)
    • 1.概述
    • [2.提出问题 & 解决策略 & 模型结构](#2.提出问题 & 解决策略 & 模型结构)
    • 3.实验结果

**

Graph WaveNet for Deep Spatial-Temporal Graph Modeling

**

1.概述

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。现有的方法大多捕获固定图结构上的空间依赖,假设实体之间的底层关系是预先确定的。然而,明确的图结构(关系)并不一定反映真实的依赖关系,由于数据中的连接不完整,可能会丢失真实的关系。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无法捕获长时间序列。

为了克服这些限制,我们在本文中提出了一种基于CNN的新的图神经网络架构Graph-WaveNet,用于时空图建模。通过建立一种新的自适应邻接矩阵并通过node embedding学习该矩阵 ,该模型可以准确地捕获数据中隐藏的空间依赖。通过a stacked dilated casual 1D convolution component 实现感受野随层数指数级增长,Graph WaveNet能够处理非常长的序列。这两个组件无缝地集成在一个统一的框架中,整个框架以端到端的方式学习。

在metro - la和PEMS-BAY两个公共交通网络数据集上的实验结果证明了该算法的优越性能。

2.提出问题 & 解决策略 & 模型结构

3.实验结果


相关推荐
小雷FansUnion8 分钟前
深入理解MCP架构:智能服务编排、上下文管理与动态路由实战
人工智能·架构·大模型·mcp
资讯分享周11 分钟前
扣子空间PPT生产力升级:AI智能生成与多模态创作新时代
人工智能·powerpoint
思则变1 小时前
[Pytest] [Part 2]增加 log功能
开发语言·python·pytest
叶子爱分享1 小时前
计算机视觉与图像处理的关系
图像处理·人工智能·计算机视觉
鱼摆摆拜拜1 小时前
第 3 章:神经网络如何学习
人工智能·神经网络·学习
一只鹿鹿鹿1 小时前
信息化项目验收,软件工程评审和检查表单
大数据·人工智能·后端·智慧城市·软件工程
张较瘦_2 小时前
[论文阅读] 人工智能 | 深度学习系统崩溃恢复新方案:DaiFu框架的原位修复技术
论文阅读·人工智能·深度学习
cver1232 小时前
野生动物检测数据集介绍-5,138张图片 野生动物保护监测 智能狩猎相机系统 生态研究与调查
人工智能·pytorch·深度学习·目标检测·计算机视觉·目标跟踪
漫谈网络2 小时前
WebSocket 在前后端的完整使用流程
javascript·python·websocket
学技术的大胜嗷2 小时前
离线迁移 Conda 环境到 Windows 服务器:用 conda-pack 摆脱硬路径限制
人工智能·深度学习·yolo·目标检测·机器学习