時間序列圖神經(jīng)網(wǎng)絡(luò)是一種結(jié)合了圖神經(jīng)網(wǎng)絡(luò)和時間序列分析的方法，用于對動態(tài)系統(tǒng)中的數(shù)據(jù)進行建模和預(yù)測。與傳統(tǒng)的時間序列模型不同，圖神經(jīng)網(wǎng)絡(luò)可以有效地捕捉時間序列數(shù)據(jù)中的時序信息和模式，并進行預(yù)測和分類。

作為一種新興的研究領(lǐng)域，時間序列GNN具有廣泛的應(yīng)用前景，它可以應(yīng)用于各種實際問題，如股票價格預(yù)測、交通流量預(yù)測、電力需求預(yù)測等。

今年有關(guān)它應(yīng)用方面的研究也有了新的進展，學(xué)姐簡單整理了一些，這就來和大家分享啦~主要涉及醫(yī)療保健、智能交通、環(huán)境、物聯(lián)網(wǎng)等領(lǐng)域。

掃碼添加小享，回復(fù)“時序GNN”

免費領(lǐng)取全部論文+代碼合集

醫(yī)療保健

1.Self-supervised learning for anomalous channel detection in eeg graphs: Application to seizure analysis

用于EEG圖中異常通道檢測的自監(jiān)督學(xué)習(xí)

簡述：論文提出了一種在EEG圖中進行自我監(jiān)督學(xué)習(xí)的方法，用于檢測癲癇發(fā)作的通道和片段，而不需要使用標(biāo)記的癲癇發(fā)作數(shù)據(jù)。該方法考慮了EEG圖中的局部結(jié)構(gòu)和上下文信息，通過使用正面和負面的子圖進行訓(xùn)練，性能優(yōu)于其他方法。

智能交通

2.Spatio-Temporal Meta-Graph Learning for Traffic Forecasting

用于交通預(yù)測的時空元圖學(xué)習(xí)

簡述：這篇文章提出了一個用于交通預(yù)測的新方法——時空元圖學(xué)習(xí)。這種方法能夠處理交通流中的時空異質(zhì)性和非平穩(wěn)性問題。它被嵌入到一種叫做MegaCRN的模型中，這種模型能夠更好地對交通數(shù)據(jù)進行編碼和解碼。文章在三個不同的數(shù)據(jù)集上測試了這個模型，結(jié)果都優(yōu)于其他現(xiàn)有的方法。此外，還證明了這個模型能夠適應(yīng)各種異常交通情況。

3.Dynamic graph convolutional recurrent imputation network for spatiotemporal traffic missing data

用于時空交通缺失數(shù)據(jù)動態(tài)圖卷積循環(huán)填充網(wǎng)絡(luò)

簡述：論文提出了一種新的深度學(xué)習(xí)架構(gòu)——動態(tài)圖卷積遞歸插補網(wǎng)絡(luò)（DGCRIN），用于插補時空交通數(shù)據(jù)中的缺失數(shù)據(jù)。該架構(gòu)通過動態(tài)圖卷積和門控循環(huán)單元精細建模道路網(wǎng)絡(luò)的動態(tài)時空依賴性，并學(xué)習(xí)數(shù)據(jù)的缺失模式信息。引入輔助GRU和帶有衰減機制的融合層以融合多樣化信息。

4.Bidirectional spatial–temporal traffic data imputation via graph attention recurrent neural network

通過圖注意力循環(huán)神經(jīng)網(wǎng)絡(luò)實現(xiàn)雙向時空交通數(shù)據(jù)填充

簡述：這篇文章提出了一種新的模型——圖注意力循環(huán)神經(jīng)網(wǎng)絡(luò)（GARNN），用于插補交通數(shù)據(jù)中的缺失數(shù)據(jù)。該模型使用LSTMs對觀察數(shù)據(jù)和缺失數(shù)據(jù)進行建模，并應(yīng)用衰減機制和圖注意力網(wǎng)絡(luò)來學(xué)習(xí)時間步之間的相互依賴關(guān)系并捕捉空間相關(guān)性。最終，將時間估計和空間估計整合到最終的插補結(jié)果中。

5.Memory-augmented dynamic graph convolution networks for traffic data imputation with diverse missing patterns

用于具有多種缺失模式的交通數(shù)據(jù)填充的記憶增強動態(tài)圖卷積網(wǎng)絡(luò)

簡述：智能交通系統(tǒng)中的交通數(shù)據(jù)存在缺失問題。我們提出了一種新的深度學(xué)習(xí)框架——MDGCN，它使用循環(huán)層和圖卷積層來捕獲時間和空間信息，并通過外部記憶網(wǎng)絡(luò)共享全局信息。實驗結(jié)果表明，該模型在各種缺失情況下都優(yōu)于其他方法，可以有效插補缺失的交通數(shù)據(jù)。

6.STGSA: A Novel Spatial-Temporal Graph Synchronous Aggregation Model for Traffic Prediction

一種用于交通預(yù)測的新型時空圖同步聚合模型

簡述：智能交通系統(tǒng)需要準確預(yù)測來成功。論文提出了STGSA模型，它能夠同時提取空間和時間信息。該模型采用定制的圖聚合方法和時間相關(guān)性圖。作者還添加了一個多流模塊來獲取全局信息，并使用多頭注意力機制。實驗證明，該模型在真實數(shù)據(jù)集上表現(xiàn)優(yōu)秀。

7.Spatial–Temporal Complex Graph Convolution Network for Traffic Flow Prediction

交通流預(yù)測的時空復(fù)雜圖卷積網(wǎng)絡(luò)

簡述：交通流預(yù)測是智能交通的關(guān)鍵，但現(xiàn)有模型忽略了交通節(jié)點間的關(guān)聯(lián)和外部干擾。為此，作者提出了一種新的時空復(fù)雜圖卷積網(wǎng)絡(luò)（ST-CGCN）方法。首先，作者根據(jù)地理位置、歷史數(shù)據(jù)和外部干擾創(chuàng)建了多個矩陣。接著，融合這些矩陣，并用動態(tài)權(quán)重改進了空間-時間特征和外部因素的聯(lián)合建模能力。然后，作者設(shè)計了一個空間特征提取模塊和一個時間特征提取模塊來捕捉動態(tài)特征。

8.Long Short-Term Fusion Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting

用于交通流量預(yù)測的長短期融合時空圖卷積網(wǎng)絡(luò)

簡述：交通流量預(yù)測對智能交通至關(guān)重要，但現(xiàn)有方法難以同時處理空間和時間依賴性。為此，論文提出了一種名為LSTFGCN的新模型，它能夠同步提取空間-時間特征并捕獲長短期依賴性。實驗證明，該方法在多個公共數(shù)據(jù)集上表現(xiàn)優(yōu)于其他模型。

9.Traffic Flow Forecasting in the COVID-19: A Deep Spatial-Temporal Model Based on Discrete Wavelet Transformation

基于離散小波變換的深層時空模型

簡述：本文提出了一種基于離散小波變換的深度時空交通流預(yù)測模型，以解決新冠疫情下交通流數(shù)據(jù)高度離散和非規(guī)律性的問題。該模型將交通流分解為離散屬性，并將交通網(wǎng)絡(luò)的空間關(guān)系設(shè)計為圖，使用圖卷積網(wǎng)絡(luò)和時間卷積網(wǎng)絡(luò)計算節(jié)點的空間和時序相關(guān)性。同時，提出一種圖記憶網(wǎng)絡(luò)來處理離散幅度，并使用逆離散小波變換獲得最終的交通流預(yù)測結(jié)果。

10.Trajectory prediction for autonomous driving based on multiscale spatial‐temporal graph

基于多尺度時空圖的自動駕駛軌跡預(yù)測

簡述：本文提出了一種基于多尺度時空圖的軌跡預(yù)測框架，以解決現(xiàn)有方法在處理不同時間尺度下的行為交互時存在的局限性。該框架通過在不同時間尺度上堆疊空間-時間層來捕捉周圍異構(gòu)交通參與者的軌跡。作者設(shè)計了三種不同的鄰接矩陣來捕獲更真實的空間依賴性，并開發(fā)了一種新穎的擴張時域卷積來處理時域依賴性。

11.Predictive Neural Motion Planner for Autonomous Driving Using Graph Networks

使用圖網(wǎng)絡(luò)的自動駕駛預(yù)測神經(jīng)網(wǎng)絡(luò)運動規(guī)劃器

簡述：本文研究了使用深度神經(jīng)網(wǎng)絡(luò)實現(xiàn)自動駕駛車輛軌跡預(yù)測的運動規(guī)劃。作者使用神經(jīng)網(wǎng)絡(luò)作為傳統(tǒng)規(guī)劃器的近似值，并考慮了自車和周圍代理的當(dāng)前狀態(tài)以及共享地圖。作者還研究了歷史狀態(tài)、周圍代理的未來運動和預(yù)測對規(guī)劃性能的影響。

12.SAT-GCN: Self-attention graph convolutional network-based 3D object detection for autonomous driving

基于自注意力圖卷積網(wǎng)絡(luò)的自動駕駛3D目標(biāo)檢測

簡述：本文提出了一種用于從點云中進行3D物體檢測的自注意力圖卷積網(wǎng)絡(luò)（SAT-GCN），該網(wǎng)絡(luò)可以增強語義表示，提高檢測精度。在廣泛使用的基準上進行實驗，結(jié)果表明SAT-GCN可以顯著提高現(xiàn)有方法的檢測精度，并且對實時性能和模型參數(shù)的影響有限。

掃碼添加小享，回復(fù)“時序GNN”

免費領(lǐng)取全部論文+代碼合集

13.Large-Scale Traffic Data Imputation with Spatiotemporal Semantic Understanding

基于時空語義理解的大規(guī)模交通數(shù)據(jù)插補

簡述：本文提出了一種用于交通數(shù)據(jù)補全的圖變換器模型（GT-TDI），該模型通過引入語義描述來捕捉道路網(wǎng)絡(luò)的時空相關(guān)性，從而對大規(guī)模交通數(shù)據(jù)進行補全。具體來說，該模型引入了包含交通數(shù)據(jù)的全局空間和時間信息的語義描述，以幫助GT-TDI模型在網(wǎng)絡(luò)級別上捕捉時空相關(guān)性。該模型將不完整數(shù)據(jù)、傳感器的社會連接性和語義描述作為輸入，并借助圖神經(jīng)網(wǎng)絡(luò)和Transformer執(zhí)行補全任務(wù)。

按需服務(wù)

14.A graph-attention based spatial-temporal learning framework for tourism demand forecasting

基于圖形注意力的旅游需求預(yù)測時空學(xué)習(xí)框架

簡述：本文提出了一種基于圖注意力的時空學(xué)習(xí)框架，用于旅游需求預(yù)測。該框架通過構(gòu)建一個動態(tài)權(quán)重多維圖來嵌入多個顯式動態(tài)空間連接，并提供節(jié)點屬性序列以學(xué)習(xí)隱式動態(tài)空間連接。進一步地，作者提出了一種異質(zhì)時空圖注意力網(wǎng)絡(luò)（HSTGANet），可以有效地處理顯式和隱式動態(tài)空間連接、學(xué)習(xí)高維時空特征并預(yù)測旅游需求。

15.On region-level travel demand forecasting using multi-task adaptive graph attention network

基于多任務(wù)自適應(yīng)圖注意力網(wǎng)絡(luò)的區(qū)域旅游需求預(yù)測

簡述：本文提出了一種多任務(wù)自適應(yīng)循環(huán)圖注意力網(wǎng)絡(luò)，用于區(qū)域級出行需求預(yù)測。該網(wǎng)絡(luò)結(jié)合了先驗知識驅(qū)動的圖學(xué)習(xí)機制和新穎的循環(huán)圖注意力網(wǎng)絡(luò)，以自動捕捉動態(tài)時空依賴關(guān)系。根據(jù)區(qū)域功能分布將需求預(yù)測分為不同的學(xué)習(xí)任務(wù)，并開發(fā)了一種基于不確定性的多任務(wù)學(xué)習(xí)組件來協(xié)調(diào)多個學(xué)習(xí)任務(wù)。

環(huán)境與可持續(xù)能源

16.Condition monitoring of wind turbines with the implementation of spatio-temporal graph neural network

基于時空圖神經(jīng)網(wǎng)絡(luò)的風(fēng)力發(fā)電機組狀態(tài)監(jiān)測

簡述：風(fēng)力發(fā)電機組的運行狀態(tài)監(jiān)測很重要，但現(xiàn)有的深度學(xué)習(xí)方法只能處理特定類型的數(shù)據(jù)，且忽略了風(fēng)力發(fā)電機組多傳感器網(wǎng)絡(luò)的空間屬性。為了解決這個問題，作者提出了一種新的監(jiān)測網(wǎng)絡(luò)，叫做時空圖神經(jīng)網(wǎng)絡(luò)。這個新方法可以處理更廣泛的數(shù)據(jù)類型，并考慮到風(fēng)力發(fā)電機組的連通性和全局性。

17.Cost-effective fault diagnosis of nearby photovoltaic systems using graph neural networks

使用圖神經(jīng)網(wǎng)絡(luò)對附近光伏系統(tǒng)進行經(jīng)濟高效的故障診斷

簡述：本文提出了一種基于圖神經(jīng)網(wǎng)絡(luò)的光伏系統(tǒng)故障診斷模型，可以在沒有傳感器的情況下監(jiān)測多個光伏系統(tǒng)的電流和電壓產(chǎn)量。通過比較過去24小時內(nèi)的產(chǎn)量，該模型可以準確檢測和識別6種常見故障的早期發(fā)生。實驗結(jié)果表明，該模型比現(xiàn)有的兩種模型更準確，并且可以推廣到未訓(xùn)練過的光伏系統(tǒng)。

18.Maximising Weather Forecasting Accuracy through the Utilisation of Graph Neural Networks and Dynamic GNNs

通過利用圖神經(jīng)網(wǎng)絡(luò)和動態(tài)GNN提高天氣預(yù)報準確性

簡述：本文研究了利用圖神經(jīng)網(wǎng)絡(luò)（GNN）和傳統(tǒng)機器學(xué)習(xí)模型進行天氣預(yù)報的效果。天氣預(yù)測是應(yīng)對全球氣候變化的重要任務(wù)，需要分析由異構(gòu)氣象傳感器生成的多變量數(shù)據(jù)。這些傳感器包括地面?zhèn)鞲衅鳌o線電探空儀和安裝在衛(wèi)星上的傳感器等。為了分析這些傳感器生成的數(shù)據(jù)，作者使用基于圖神經(jīng)網(wǎng)絡(luò)的天氣預(yù)測模型。

19.Spatiotemporal air pollution forecasting in houston-TX: a case study for ozone using deep graph neural networks

使用深度圖神經(jīng)網(wǎng)絡(luò)進行臭氧的案例研究

簡述：本文提出了一種基于圖神經(jīng)網(wǎng)絡(luò)的模型，用于預(yù)測臭氧濃度。該模型使用德克薩斯州休斯頓的數(shù)據(jù)進行訓(xùn)練和測試，并考慮了不同數(shù)量的時間延遲、預(yù)測范圍和輸入數(shù)據(jù)等因素。結(jié)果表明，該模型比基準持續(xù)模型提高了預(yù)測性能，并且產(chǎn)生的誤差水平較低。此外，根據(jù)EPA規(guī)定，該模型還確定了參考站未達標(biāo)的條件。

物聯(lián)網(wǎng)

20.Who You Play Affects How You Play: Predicting Sports Performance Using Graph Attention Networks With Temporal Convolution

使用具有時間卷積的圖形注意力網(wǎng)絡(luò)預(yù)測運動表現(xiàn)

簡述：本文提出了一種名為GATv2-GCN的深度學(xué)習(xí)方法，用于預(yù)測體育運動員的表現(xiàn)。該方法利用球員統(tǒng)計數(shù)據(jù)和比賽中的互動構(gòu)建動態(tài)的運動員互動圖，并使用圖注意力網(wǎng)絡(luò)來捕捉每個運動員對其他運動員的注意力，從而更準確地模擬動態(tài)的運動員互動。通過使用真實的體育數(shù)據(jù)評估模型的性能，證明了其在預(yù)測球員表現(xiàn)方面的有效性。

掃碼添加小享，回復(fù)“時序GNN”

免費領(lǐng)取全部論文+代碼合集