STGNN的主要应用领域涉及交通、安全、环境和公共卫生。其中,交通是STGNN最受欢迎的应用领域。 1. 交通 Transportation 交通状态预测 Traffic State Prediction 通过一定空间范围内的历史交通状态来预测未来的交通状态。交通状态预测可分为两大类:网络范围预测和区域范围预测。网络范围预测的目标通常是给定道路网络上的交通流...
由于一条道路的交通状况可能依赖于其相邻道路的状况,因此在进行交通速度预测时,有必要考虑空间依赖性。作为解决方案,STGNNs同时捕捉图的空间和时间依赖性。STGNNs的任务可以是预测未来的节点值或标签,或预测时空图标签。STGNNs有两种方向,基于RNN的方法和基于CNN的方法。 大多数基于RNN的方法通过使用图卷积来过滤传递给...
我们总结了STGNN为城市计算中的预测性学习任务所分享的一些挑战,并为解决这些具有挑战性的问题提出了一些未来方向。 本调研的组织本调研的其余部分组织如下。第二节介绍了时空图的构建。第三节概述了不同领域的各种预测性学习任务,这些任务可以通过STGNN来解决。第四节介绍了在STGNN框架中广泛采用的基本深度学习架构。第...
由于传统的统计学习和深度学习方法难以捕捉城市时空数据中的复杂关联,近年来提出了时空图神经网络(STGNN)框架。STGNN通过整合图神经网络(GNNs)和各种时间学习方法,使复杂时空依赖关系的提取成为可能。然而,对于不同的预测学习任务,如何在STGNN框架中有效设计空间依赖学习模块、时间依赖学习模块和时空依赖融合方法,是一个具有...
我们根据预训练 TSFormer 的分段级表示来增强下游 STGNN。 3.1 预训练阶段 在这一部分,我们的目标是为时间序列设计一个高效的无监督预训练模型。虽然预训练模型在自然语言处理领域取得了重大进展[3, 8, 27],但在时间序列领域的进展却落后于它们。首先,我们想讨论一下时间序列与自然语言之间的区别,这将为 TSFormer...
STGNN遵循两个方向,即基于循环神经网络的方法和基于卷积神经网络的方法。 大多数基于循环神经网络的方法通过过滤输入和隐藏状态传递给递归单元来捕获时空依赖关系。基于循环神经网络的方法存在一些问题,如耗时的迭代传播和梯度爆炸。作为替代解决方案,基于卷积神经网络的方法具有并行计算、稳定梯度和低内存需求等优点。这些...
我们根据预训练 TSFormer 的分段级表示来增强下游 STGNN。 3.1 预训练阶段 在这一部分,我们的目标是为时间序列设计一个高效的无监督预训练模型。虽然预训练模型在自然语言处理领域取得了重大进展[3, 8, 27],但在时间序列领域的进展却落后于它们。首先,我们想讨论一下时间序列与自然语言之间的区别,这将为 TSFormer...
Assume that the inputs to an STGNN are a tensor X: RT×n×d andthe 1-D-CNN layer slides over X[:, i, :] along the time axis to aggregate temporal information for each node, whilethe graph convolutional layer operates on X[i,:,:] to aggregate spatial information at each time step...
随着全球定位和物联网技术的快速发展,道路上各种传感器采集的路网数据规模不断扩大.交管部门亟须针对已有的路网数据预测车辆未来的位置和区域分布,对道路前方可能发生的交通拥堵进行预警,并帮助驾驶员选择合适路线,从而缓解城市拥堵.文章采用时空图神经网络(STGNN)挖掘交通流量数据的潜在因果关系,对交通路网嵌入空间依赖和...
sagpool-stgnn算法包括:(1)引入基于自注意力的图池化机制,降低计算维度,聚合流空间特征。(2)结合使用门控循环单元提取图在不同时间的变化信息,捕获时间依赖关系,聚合流时序特征。然后,训练学生模型,在基于响应的知识蒸馏技术过程中,使用kl散度计算教师模型和学生模型输出的概率分布差异,以及crossentropy交叉熵计算真实...