AGSTN：用于短期城市传感器数值预测的学习注意力调整图时空网络
机器学习
2021-02-01 v1 信息检索
社会与信息网络
摘要
预测传感器数值的时空相关时间序列在城市应用中至关重要，例如空气污染预警、共享单车资源管理和智能交通系统。尽管近期进展利用图神经网络（GNN）更好地学习传感器之间的空间与时间依赖关系，但它们无法建模传感器之间随时间演化的时空相关性（STC），且需要预定义图——这类图既非总是可得也非完全可靠，并且一次仅针对某一特定类型的传感器数据。此外，由于时间序列波动形式在传感器间存在差异，模型需要学习波动调制。为解决这些问题，本文提出一种基于GNN的新模型——注意力调整图时空网络（AGSTN）。在AGSTN中，开发了带序列学习的多图卷积以学习随时间演化的STC。波动调制由所提出的注意力调整机制实现。在空气质量、单车需求和交通流三种传感器数据上的实验表明，AGSTN优于最先进的方法。
引用
@article{arxiv.2101.12465,
title = {AGSTN: Learning Attention-adjusted Graph Spatio-Temporal Networks for Short-term Urban Sensor Value Forecasting},
author = {Yi-Ju Lu and Cheng-Te Li},
journal= {arXiv preprint arXiv:2101.12465},
year = {2021}
}
备注
Published in IEEE ICDM 2020. Code is available at https://github.com/l852888/AGSTN