論文の概要: INCREASE: Inductive Graph Representation Learning for Spatio-Temporal
Kriging
- arxiv url: http://arxiv.org/abs/2302.02738v1
- Date: Mon, 6 Feb 2023 12:28:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-07 16:46:46.425348
- Title: INCREASE: Inductive Graph Representation Learning for Spatio-Temporal
Kriging
- Title（参考訳）: INCREASE:時空間クリグのためのインダクティブグラフ表現学習
- Authors: Chuanpan Zheng, Xiaoliang Fan, Cheng Wang, Jianzhong Qi, Chaochao
Chen, Longbiao Chen
- Abstract要約: SRU-temporal kriging は Web や Internet of Things のような Web やソーシャルアプリケーションにおいて重要な問題である。
クリグのための新しい帰納的グラフ表現学習モデルを提案する。
- 参考スコア（独自算出の注目度）: 35.193756288996944
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Spatio-temporal kriging is an important problem in web and social
applications, such as Web or Internet of Things, where things (e.g., sensors)
connected into a web often come with spatial and temporal properties. It aims
to infer knowledge for (the things at) unobserved locations using the data from
(the things at) observed locations during a given time period of interest. This
problem essentially requires \emph{inductive learning}. Once trained, the model
should be able to perform kriging for different locations including newly given
ones, without retraining. However, it is challenging to perform accurate
kriging results because of the heterogeneous spatial relations and diverse
temporal patterns. In this paper, we propose a novel inductive graph
representation learning model for spatio-temporal kriging. We first encode
heterogeneous spatial relations between the unobserved and observed locations
by their spatial proximity, functional similarity, and transition probability.
Based on each relation, we accurately aggregate the information of most
correlated observed locations to produce inductive representations for the
unobserved locations, by jointly modeling their similarities and differences.
Then, we design relation-aware gated recurrent unit (GRU) networks to
adaptively capture the temporal correlations in the generated sequence
representations for each relation. Finally, we propose a multi-relation
attention mechanism to dynamically fuse the complex spatio-temporal information
at different time steps from multiple relations to compute the kriging output.
Experimental results on three real-world datasets show that our proposed model
outperforms state-of-the-art methods consistently, and the advantage is more
significant when there are fewer observed locations. Our code is available at
https://github.com/zhengchuanpan/INCREASE.
- Abstract（参考訳）: 時空間クリグは、ウェブやモノのインターネットのようなウェブやソーシャルアプリケーションにおいて重要な問題であり、ウェブに接続されているもの(例えば、センサー)は時空間的特性と時間的特性を持つことが多い。
興味のある期間に観測された場所からのデータを用いて、観測されていない場所の知識(物)を推論することを目的としている。
この問題は本質的に \emph{inductive learning} を必要とする。
トレーニングが完了すると、モデルは、新たに与えられたものを含むさまざまな場所で、再トレーニングすることなく、クリグを実行できるようになる。
しかし,不均質な空間的関係と多様な時間的パターンから,正確なクリグ結果を得ることは困難である。
本稿では,時空間クリグティングのための新しい帰納的グラフ表現学習モデルを提案する。
まず,観測地と観測地の間の不均一な空間関係を,その空間的近接性,機能的類似性,遷移確率によってエンコードする。
それぞれの関係に基づいて最も相関の高い観測位置の情報を正確に集約し,それらの類似点と相違点を共同でモデル化し,観測されていない場所の帰納表現を生成する。
そこで我々は,各関係に対して生成したシーケンス表現の時間的相関を適応的に捉えるために,GRUネットワークを設計する。
最後に,複数の関係から異なる時間ステップで複雑な時空間情報を動的に融合してクリグアウトプットを計算するマルチリレーションアテンション機構を提案する。
3つの実世界のデータセットにおける実験結果は,提案モデルが最先端の手法を一貫して上回っており,観測位置の少ない場合に有利であることを示している。
私たちのコードはhttps://github.com/zhengchuanpan/increaseで入手できます。
関連論文リスト
- Kriformer: A Novel Spatiotemporal Kriging Approach Based on Graph Transformers [5.4381914710364665]
本研究は, 環境問題として, スパースセンサの配置と信頼性の低いデータに対処する。
グラフクリフォーマーモデルであるKriformerは、限られた資源であっても、空間的および時間的相関をマイニングすることで、センサのない場所でデータを推定する。
論文 参考訳（メタデータ） (2024-09-23T11:01:18Z) - Temporal Smoothness Regularisers for Neural Link Predictors [8.975480841443272]
TNTComplExのような単純な手法は、最先端の手法よりもはるかに正確な結果が得られることを示す。
また,2つの時間的リンク予測モデルに対する幅広い時間的平滑化正規化の影響についても検討した。
論文 参考訳（メタデータ） (2023-09-16T16:52:49Z) - 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) - Multi-Temporal Relationship Inference in Urban Areas [75.86026742632528]
場所間の時間的関係を見つけることは、動的なオフライン広告やスマートな公共交通計画など、多くの都市アプリケーションに役立つ。
空間的に進化するグラフニューラルネットワーク(SEENet)を含むグラフ学習方式によるTrialの解を提案する。
SEConvは時間内アグリゲーションと時間間伝搬を実行し、位置メッセージパッシングの観点から、多面的に空間的に進化するコンテキストをキャプチャする。
SE-SSLは、位置表現学習を強化し、関係の空間性をさらに扱えるように、グローバルな方法でタイムアウェアな自己教師型学習タスクを設計する。
論文 参考訳（メタデータ） (2023-06-15T07:48:32Z) - From Temporal to Contemporaneous Iterative Causal Discovery in the
Presence of Latent Confounders [6.365889364810238]
本稿では,観測時系列データから因果構造を学習するための制約に基づくアルゴリズムを提案する。
我々は、時間的・同時的な因果関係を持つ離散的、定常的な構造的ベクトル自己回帰過程を仮定する。
提案アルゴリズムは、時間的長期関係を短時間で学習することで、因果グラフを徐々に洗練し、同時期関係を最後に学習する。
論文 参考訳（メタデータ） (2023-06-01T12:46:06Z) - Learning to Reconstruct Missing Data from Spatiotemporal Graphs with
Sparse Observations [11.486068333583216]
本稿では、欠落したデータポイントを再構築するための効果的なモデル学習の課題に取り組む。
我々は,高度にスパースな観測値の集合を与えられた注意に基づくアーキテクチャのクラスを提案し,時間と空間における点の表現を学習する。
技術状況と比較して、我々のモデルは予測エラーを伝播したり、前方および後方の時間依存性をエンコードするために双方向モデルを必要とすることなくスパースデータを処理します。
論文 参考訳（メタデータ） (2022-05-26T16:40:48Z) - Dynamic Relation Discovery and Utilization in Multi-Entity Time Series
Forecasting [92.32415130188046]
多くの現実世界のシナリオでは、実体の間に決定的かつ暗黙的な関係が存在する可能性がある。
本稿では,自動グラフ学習(A2GNN)を用いたマルチグラフニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2022-02-18T11:37:04Z) - 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) - Pay Attention to Evolution: Time Series Forecasting with Deep
Graph-Evolution Learning [33.79957892029931]
本研究は時系列予測のためのニューラルネットワークアーキテクチャを提案する。
Recurrent Graph Evolution Neural Network (ReGENN) と名付けた。
多数のアンサンブル法と古典統計法との比較を行った。
論文 参考訳（メタデータ） (2020-08-28T20:10:07Z) - Connecting the Dots: Multivariate Time Series Forecasting with Graph
Neural Networks [91.65637773358347]
多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。
グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。
提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
論文 参考訳（メタデータ） (2020-05-24T04:02:18Z) - A Spatial-Temporal Attentive Network with Spatial Continuity for
Trajectory Prediction [74.00750936752418]
空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。
まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。
第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
論文 参考訳（メタデータ） (2020-03-13T04:35:50Z)
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。