論文の概要: AGSTN: Learning Attention-adjusted Graph Spatio-Temporal Networks for
Short-term Urban Sensor Value Forecasting
- arxiv url: http://arxiv.org/abs/2101.12465v1
- Date: Fri, 29 Jan 2021 08:31:38 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-05 00:22:12.343607
- Title: AGSTN: Learning Attention-adjusted Graph Spatio-Temporal Networks for
Short-term Urban Sensor Value Forecasting
- Title(参考訳): AGSTN:短期都市センサ値予測のための意識調整グラフ時空間ネットワーク
- Authors: Yi-Ju Lu, Cheng-Te Li
- Abstract要約: センサの時系列値は、大気汚染警報、自転車資源管理、インテリジェント交通システムなどの都市用途において重要である。
最近の進歩は、センサー間の空間的および時間的依存関係をよりよく学習するためにグラフニューラルネットワーク(GNN)を利用している。
- 参考スコア(独自算出の注目度): 14.797761571844893
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Forecasting spatio-temporal correlated time series of sensor values is
crucial in urban applications, such as air pollution alert, biking resource
management, and intelligent transportation systems. While recent advances
exploit graph neural networks (GNN) to better learn spatial and temporal
dependencies between sensors, they cannot model time-evolving spatio-temporal
correlation (STC) between sensors, and require pre-defined graphs, which are
neither always available nor totally reliable, and target at only a specific
type of sensor data at one time. Moreover, since the form of time-series
fluctuation is varied across sensors, a model needs to learn fluctuation
modulation. To tackle these issues, in this work, we propose a novel GNN-based
model, Attention-adjusted Graph Spatio-Temporal Network (AGSTN). In AGSTN,
multi-graph convolution with sequential learning is developed to learn
time-evolving STC. Fluctuation modulation is realized by a proposed attention
adjustment mechanism. Experiments on three sensor data, air quality, bike
demand, and traffic flow, exhibit that AGSTN outperforms the state-of-the-art
methods.
- Abstract(参考訳): 大気汚染警報, 自転車資源管理, インテリジェント交通システムなどの都市分野では, センサ値の時空間相関時系列の予測が重要である。
近年の進歩は,センサ間の空間的および時間的依存関係をよりよく学習するためにグラフニューラルネットワーク(GNN)を利用しているが,センサ間の時間進化時空間相関(STC)をモデル化することはできない。
さらに, 時系列変動の形式はセンサによって異なるため, モデルは変動変調を学習する必要がある。
本稿では,これらの課題に対処するため,新しいGNNモデルであるAttention-adjusted Graph Spatio-Temporal Network (AGSTN)を提案する。
AGSTNでは、時系列学習を伴うマルチグラフ畳み込みを開発し、時間進化STCを学習する。
提案する注意調整機構によりゆらぎ変調を実現する。
3つのセンサデータ、空気質、自転車需要、交通の流れに関する実験は、agstnが最先端の手法よりも優れていることを示している。
関連論文リスト
- Dynamic Frequency Domain Graph Convolutional Network for Traffic
Forecasting [33.538633286142264]
ランダム要因による交通パターンと騒音の時間変化は、データ駆動型空間依存モデリングを妨げている。
本研究では,空間依存性を捉えるために,新しい動的周波数領域グラフ畳み込みネットワーク(DFDGCN)を提案する。
実世界の4つのデータセットの実験において,本モデルは有効であり,ベースラインを上回っている。
論文 参考訳(メタデータ) (2023-12-19T08:20:09Z) - Fully-Connected Spatial-Temporal Graph for Multivariate Time-Series Data [50.84488941336865]
完全時空間グラフニューラルネットワーク(FC-STGNN)という新しい手法を提案する。
グラフ構築のために、時間的距離に基づいて、すべてのタイムスタンプにセンサーを接続する減衰グラフを設計する。
グラフ畳み込みのために,移動プールGNN層を用いたFCグラフ畳み込みを考案し,ST依存性を効果的に把握し,効率的な表現を学習する。
論文 参考訳(メタデータ) (2023-09-11T08:44:07Z) - Graph-Aware Contrasting for Multivariate Time-Series Classification [50.84488941336865]
既存のコントラスト学習手法は主に、時間的拡張とコントラスト技術による時間的一貫性を達成することに焦点を当てている。
MTSデータ間の空間的整合性を考慮したグラフ認識コントラストを提案する。
提案手法は,様々なMSS分類タスクにおける最先端性能を実現する。
論文 参考訳(メタデータ) (2023-09-11T02:35:22Z) - Leveraging arbitrary mobile sensor trajectories with shallow recurrent
decoder networks for full-state reconstruction [4.243926243206826]
LSTM(long, short-term memory)ネットワークやデコーダネットワークのようなシーケンス・ツー・ベクター・モデルでは,動的情報を全状態空間推定にマッピング可能であることを示す。
ネットワークアーキテクチャの例外的な性能は、3つのアプリケーションで実証される。
論文 参考訳(メタデータ) (2023-07-20T21:42:01Z) - Correlation-aware Spatial-Temporal Graph Learning for Multivariate
Time-series Anomaly Detection [67.60791405198063]
時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。
CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。
新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
論文 参考訳(メタデータ) (2023-07-17T11:04:27Z) - It is all Connected: A New Graph Formulation for Spatio-Temporal
Forecasting [1.278093617645299]
グラフニューラルネットワーク(GNN)ネットワークを用いて時間的および空間的依存関係を学習するためのフレームワークを提案する。
GNNは、すべてのサンプルをグラフ内の独自のノードとして表現する。
このフレームワークは時間次元に沿った測定を必要としないため、データサンプリングの計算を必要とせずに、不規則な時系列、異なる周波数、または欠落データを容易にする。
論文 参考訳(メタデータ) (2023-03-23T11:16:33Z) - Maximising Weather Forecasting Accuracy through the Utilisation of Graph
Neural Networks and Dynamic GNNs [1.6651146574124562]
グラフニューラルネットワーク(GNN)に基づく天気予報モデルを用いて気象データを解析する。
GNNはグラフ学習に基づくモデルであり、多くの機械学習アプローチにおいて強力な経験的性能を示す。
論文 参考訳(メタデータ) (2023-01-29T15:42:37Z) - Space-Time Graph Neural Networks with Stochastic Graph Perturbations [100.31591011966603]
時空間グラフニューラルネットワーク(ST-GNN)は、時間変動データの効率的なグラフ表現を学習する。
本稿では,ST-GNNの特性を再検討し,安定なグラフ安定性を示す。
解析の結果,ST-GNNは時間変化グラフ上での移動学習に適していることが示唆された。
論文 参考訳(メタデータ) (2022-10-28T16:59:51Z) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳(メタデータ) (2022-10-21T07:25:57Z) - DMS-GCN: Dynamic Mutiscale Spatiotemporal Graph Convolutional Networks
for Human Motion Prediction [8.142947808507365]
動作予測のためのフィードフォワードディープニューラルネットワークを提案する。
モデル全体がすべてのアクションに適合し、エンコーダ・デコーダのフレームワークに従う。
提案手法は,Human3.6MとCMU Mocapのデータセット上でSOTA法より優れている。
論文 参考訳(メタデータ) (2021-12-20T07:07:03Z) - Federated Learning in the Sky: Aerial-Ground Air Quality Sensing
Framework with UAV Swarms [53.38353133198842]
空気質は人間の健康に大きく影響し、空気質指数(AQI)の正確かつタイムリーな予測がますます重要になっている。
本稿では, 精密な3次元空気質モニタリングと予測を行うための, 新たなフェデレーション学習型地上空気質検知フレームワークを提案する。
地中センシングシステムでは, グラフ畳み込みニューラルネットワークを用いたLong Short-Term Memory (GC-LSTM) モデルを提案し, 高精度, リアルタイム, 将来的なAQI推論を実現する。
論文 参考訳(メタデータ) (2020-07-23T13:32:47Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。