論文の概要: It is all Connected: A New Graph Formulation for Spatio-Temporal
Forecasting
- arxiv url: http://arxiv.org/abs/2303.13177v1
- Date: Thu, 23 Mar 2023 11:16:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-24 14:47:04.935395
- Title: It is all Connected: A New Graph Formulation for Spatio-Temporal
Forecasting
- Title(参考訳): 全て接続:時空間予測のための新しいグラフ定式化
- Authors: Lars {\O}degaard Bentsen, Narada Dilp Warakagoda, Roy Stenbro, Paal
Engelstad
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 1.278093617645299
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With an ever-increasing number of sensors in modern society, spatio-temporal
time series forecasting has become a de facto tool to make informed decisions
about the future. Most spatio-temporal forecasting models typically comprise
distinct components that learn spatial and temporal dependencies. A common
methodology employs some Graph Neural Network (GNN) to capture relations
between spatial locations, while another network, such as a recurrent neural
network (RNN), learns temporal correlations. By representing every recorded
sample as its own node in a graph, rather than all measurements for a
particular location as a single node, temporal and spatial information is
encoded in a similar manner. In this setting, GNNs can now directly learn both
temporal and spatial dependencies, jointly, while also alleviating the need for
additional temporal networks. Furthermore, the framework does not require
aligned measurements along the temporal dimension, meaning that it also
naturally facilitates irregular time series, different sampling frequencies or
missing data, without the need for data imputation. To evaluate the proposed
methodology, we consider wind speed forecasting as a case study, where our
proposed framework outperformed other spatio-temporal models using GNNs with
either Transformer or LSTM networks as temporal update functions.
- Abstract(参考訳): 現代の社会ではセンサが増え続けているため、時空間の時系列予測は、未来に関する情報決定を行うデファクトツールになっている。
ほとんどの時空間予測モデルは、通常、空間的および時間的依存を学習する異なるコンポーネントから構成される。
一般的な手法では、空間的位置間の関係を捉えるためにグラフニューラルネットワーク(GNN)を用いるが、リカレントニューラルネットワーク(RNN)のような別のネットワークは時間的相関を学習する。
記録された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とにより、特定の位置のすべての測定を単一ノードとして表現するのではなく、時間的および空間的情報を同様の方法で符号化する。
この設定では、GNNは時間的依存と空間的依存の両方を直接学習すると同時に、追加の時間的ネットワークの必要性を軽減することができる。
さらに、フレームワークは時間次元に沿って整列した測定を必要とせず、データインプテーションを必要とせずに、不規則な時系列や異なるサンプリング周波数、データの欠落を自然に促進する。
提案手法を評価するために,提案手法は風速予測をケーススタディとみなし,提案手法はトランスフォーマネットワークとLSTMネットワークを時間的更新関数として用いた他の時空間モデルよりも優れた性能を示した。
関連論文リスト
- Multi-View Fusion Neural Network for Traffic Demand Prediction [3.4899193297791054]
時空間の特徴の抽出は交通研究において重要な研究である。
固定空間グラフは、類似しているが直接接続されていないノードに対する空間的特徴の抽出を制限する。
これらの課題に対処するために、マルチビュー融合ニューラルネットワーク(MVFN)アプローチが提案されている。
このモデルは2つのトラフィック要求データセットで検証され、最高の予測精度を達成した。
論文 参考訳(メタデータ) (2024-12-24T09:15:49Z) - ST-FiT: Inductive Spatial-Temporal Forecasting with Limited Training Data [59.78770412981611]
現実世界のアプリケーションでは、ほとんどのノードはトレーニング中に利用可能な時間データを持っていないかもしれない。
この問題に対処するために,ST-FiTというフレームワークを提案する。
論文 参考訳(メタデータ) (2024-12-14T17:51:29Z) - 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) - Temporal Aggregation and Propagation Graph Neural Networks for Dynamic
Representation [67.26422477327179]
時間グラフは連続時間を通してノード間の動的相互作用を示す。
本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。
提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
論文 参考訳(メタデータ) (2023-04-15T08:17:18Z) - Scalable Spatiotemporal Graph Neural Networks [14.415967477487692]
グラフニューラルネットワーク(GNN)は、しばしば予測アーキテクチャのコアコンポーネントである。
ほとんどの時間前GNNでは、計算複雑性はグラフ内のリンクの回数のシーケンスの長さの2乗係数までスケールする。
本稿では,時間的・空間的両方のダイナミックスを効率的に符号化するスケーラブルなアーキテクチャを提案する。
論文 参考訳(メタデータ) (2022-09-14T09:47:38Z) - 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) - 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) - Spatial Aggregation and Temporal Convolution Networks for Real-time
Kriging [3.4386226615580107]
SATCNは、モデル仕様を必要とせずに、様々なデータセットに対してテンポラリグを実行する、普遍的で柔軟なフレームワークである。
我々は時間的畳み込みネットワークによってノードをキャプチャし、モデルがさまざまなサイズのデータに対処できるようにする。
我々は、交通や気候記録を含む3つの実世界のデータセットについて広範な実験を行った。
論文 参考訳(メタデータ) (2021-09-24T18:43:07Z) - Space Meets Time: Local Spacetime Neural Network For Traffic Flow
Forecasting [11.495992519252585]
このような相関関係は普遍的であり、交通流において重要な役割を担っていると我々は主張する。
交通センサの局所的時空間コンテキストを構築するための新しい時空間学習フレームワークを提案する。
提案したSTNNモデルは、目に見えない任意のトラフィックネットワークに適用できる。
論文 参考訳(メタデータ) (2021-09-11T09:04:35Z) - SST-GNN: Simplified Spatio-temporal Traffic forecasting model using
Graph Neural Network [2.524966118517392]
我々は,SST-GNN(SST-GNN)を簡易に設計し,異なる地区を個別に集約することで依存性を効果的に符号化した。
我々は,本モデルが3つの実環境トラフィックデータセットの最先端モデルよりも大幅に優れていることを示した。
論文 参考訳(メタデータ) (2021-03-31T18:28:44Z) - 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)
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。