論文の概要: Spatial-Temporal Synchronous Graph Transformer network (STSGT) for
COVID-19 forecasting
- arxiv url: http://arxiv.org/abs/2211.00082v1
- Date: Mon, 31 Oct 2022 18:29:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-02 14:08:22.705930
- Title: Spatial-Temporal Synchronous Graph Transformer network (STSGT) for
COVID-19 forecasting
- Title（参考訳）: COVID-19予測のための時空間同期グラフトランスネットワーク(STSGT)
- Authors: Soumyanil Banerjee, Ming Dong, Weisong Shi
- Abstract要約: 新型コロナウイルス(COVID-19)は世界中の多くの人々に悪影響を及ぼし、数十億ドルのビジネス資本が失われた。
本研究では,COVID-19時系列データの複雑な空間的・時間的依存性を捉えるために,新しい時空間同期グラフトランスネットワーク(STSGT)を提案する。
実際の新型コロナウイルスの時系列データセットを公開している2つの実験は、STSGTが最先端のアルゴリズムを大幅に上回っていることを示している。
- 参考スコア（独自算出の注目度）: 4.607124152418533
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: COVID-19 has become a matter of serious concern over the last few years. It
has adversely affected numerous people around the globe and has led to the loss
of billions of dollars of business capital. In this paper, we propose a novel
Spatial-Temporal Synchronous Graph Transformer network (STSGT) to capture the
complex spatial and temporal dependency of the COVID-19 time series data and
forecast the future status of an evolving pandemic. The layers of STSGT combine
the graph convolution network (GCN) with the self-attention mechanism of
transformers on a synchronous spatial-temporal graph to capture the dynamically
changing pattern of the COVID time series. The spatial-temporal synchronous
graph simultaneously captures the spatial and temporal dependencies between the
vertices of the graph at a given and subsequent time-steps, which helps capture
the heterogeneity in the time series and improve the forecasting accuracy. Our
extensive experiments on two publicly available real-world COVID-19 time series
datasets demonstrate that STSGT significantly outperforms state-of-the-art
algorithms that were designed for spatial-temporal forecasting tasks.
Specifically, on average over a 12-day horizon, we observe a potential
improvement of 12.19% and 3.42% in Mean Absolute Error(MAE) over the next best
algorithm while forecasting the daily infected and death cases respectively for
the 50 states of US and Washington, D.C. Additionally, STSGT also outperformed
others when forecasting the daily infected cases at the state level, e.g., for
all the counties in the State of Michigan. The code and models are publicly
available at https://github.com/soumbane/STSGT.
- Abstract（参考訳）: 新型コロナウイルス(covid-19)はここ数年、深刻な懸念の対象となっている。
これは世界中の多くの人々に悪影響を及ぼし、数十億ドルのビジネス資本を失った。
本稿では,新型コロナウイルスの時系列データの複雑な空間的・時間的依存性を把握し,パンデミックの進展を予知する,新しい時空間同期グラフトランスフォーマネットワーク(STSGT)を提案する。
STSGTの層は、グラフ畳み込みネットワーク(GCN)と同期時空間グラフ上の変圧器の自己保持機構を組み合わせて、新型コロナウイルスの時系列の動的に変化するパターンを捉える。
時空間同期グラフは、与えられた時間ステップにおけるグラフの頂点間の空間的および時間的依存関係を同時にキャプチャし、時系列の不均一性をキャプチャし、予測精度を向上させる。
公開されている2つの実世界のCOVID-19時系列データセットに関する大規模な実験は、STSGTが時空間予測タスクのために設計された最先端のアルゴリズムを著しく上回っていることを示している。
具体的には、平均12日間の地平線上において、米国50州とワシントンd.c.の1日当たりの感染者数と死亡数を予測しながら、次の最良のアルゴリズムよりも、12.19%と3.42%の絶対誤差(mae)の潜在的な改善を観測した。
コードとモデルはhttps://github.com/soumbane/stsgtで公開されている。
関連論文リスト
- Spatially Regularized Graph Attention Autoencoder Framework for Detecting Rainfall Extremes [2.273531916003657]
1990年から2015年までのインドにおける降雨データにおけるスケーラブルな異常検出の課題に対処するために,空間正規化を備えたグラフ注意自動符号化(GAE)を導入している。
我々の研究は、気候科学における高度な時間的異常検出手法の道のりを開拓し、より良い気候準備と応答戦略に寄与する。
論文 参考訳（メタデータ） (2024-11-12T12:24:48Z) - Spatial-Temporal Adaptive Graph Convolution with Attention Network for
Traffic Forecasting [4.1700160312787125]
交通予測のための新しいネットワークである空間時間適応グラフ畳み込み(STAAN)を提案する。
まず,GCN処理中に事前に定義された行列を使わずに適応的依存行列を採用し,ノード間の依存性を推定する。
第2に,グローバルな依存のために設計されたグラフアテンションネットワークに基づくPWアテンションと,空間ブロックとしてのGCNを統合した。
論文 参考訳（メタデータ） (2022-06-07T09:08:35Z) - Continual Spatio-Temporal Graph Convolutional Networks [87.86552250152872]
時空間グラフ畳み込みニューラルネットワークを連続推論ネットワークとして再構成する。
オンライン推論において、最大109倍の時間複雑性、26倍のハードウェアアクセラレーション、最大割り当てメモリの最大52%の削減を観測した。
論文 参考訳（メタデータ） (2022-03-21T14:23:18Z) - Spatio-Temporal Joint Graph Convolutional Networks for Traffic
Forecasting [75.10017445699532]
近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。
本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
論文 参考訳（メタデータ） (2021-11-25T08:45:14Z) - GACAN: Graph Attention-Convolution-Attention Networks for Traffic
Forecasting Based on Multi-granularity Time Series [9.559635281384134]
本稿では,交通予測のためのグラフアテンション・コンボリューション・アテンション・ネットワーク(GACAN)を提案する。
このモデルは、2つのグラフアテンション層と1つのスペクトルベースGCN層を挟んだ新しいAtt-Conv-Attブロックを使用する。
モデルの主な新規性は、4つの異なる時間粒度の時系列の統合である。
論文 参考訳（メタデータ） (2021-10-27T10:21:13Z) - Space-Time-Separable Graph Convolutional Network for Pose Forecasting [3.6417475195085602]
STS-GCNは、グラフ畳み込みネットワーク(GCN)でのみ人間のポーズダイナミクスをモデル化する
時空グラフ接続は空間と時間親和性に分解され、時空のクロストークをボトルネックにするとともに、完全結合と時間-時間相関を可能にする。
論文 参考訳（メタデータ） (2021-10-09T13:59:30Z) - Space-Time Graph Neural Networks [104.55175325870195]
本研究では、時空間グラフニューラルネットワーク(ST-GNN)を導入し、時間変動ネットワークデータの時空間トポロジを共同処理する。
解析の結果,システムのネットワークトポロジと時間進化の変動はST-GNNの性能に大きく影響しないことがわかった。
論文 参考訳（メタデータ） (2021-10-06T16:08:44Z) - Multiscale Spatio-Temporal Graph Neural Networks for 3D Skeleton-Based
Motion Prediction [92.16318571149553]
本稿では,次世代の3次元骨格型人間のポーズを予測するため,マルチスケール・テンポラルグラフニューラルネットワーク(MST-GNN)を提案する。
MST-GNNは、短期および長期の動作予測において最先端の手法より優れている。
論文 参考訳（メタデータ） (2021-08-25T14:05:37Z) - Continuous-Time Sequential Recommendation with Temporal Graph
Collaborative Transformer [69.0621959845251]
本稿では,定義した連続時間二部グラフ上での時間グラフシーケンスレコメンダ(TGSRec)を提案する。
TCTレイヤは、ユーザとアイテムの両方からの協調的な信号を同時にキャプチャすると同時に、シーケンシャルパターン内の時間的ダイナミクスも考慮する。
5つのデータセットの実証結果は、TGSRecが他のベースラインを大幅に上回っていることを示している。
論文 参考訳（メタデータ） (2021-08-14T22:50:53Z) - Integrating LSTMs and GNNs for COVID-19 Forecasting [0.0]
我々は、過去472日間に37カ国のデータに基づいて、毎日の新型コロナウイルスの新しいケース予測モデルを構築した。
我々は,平均絶対スケール誤差(MASE)に基づく最先端グラフ時系列モデルと比較して,優れた性能を示す。
この研究は政策決定に重要な応用をもたらし、パンデミックの資源管理の可能性を分析する。
論文 参考訳（メタデータ） (2021-07-14T14:14:33Z) - Spatio-Temporal Graph Scattering Transform [54.52797775999124]
グラフニューラルネットワークは、十分な高品質のトレーニングデータがないために、現実のシナリオでは実用的ではないかもしれない。
我々は時間的データを解析するための数学的に設計された新しいフレームワークを考案した。
論文 参考訳（メタデータ） (2020-12-06T19:49:55Z)
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。