具有自适应边属性的动态图神经网络用于空气质量预测
机器学习
2023-02-21 v1 人工智能
摘要
空气质量预测是一个典型的时空建模问题，通常借助不同组件分别处理复杂系统中的空间与时间依赖。先前基于时间序列分析与循环神经网络（RNN）的方法仅对时间序列建模而忽略空间信息。先前基于 GCNs 的方法通常需预先提供观测站点的空间相关图结构，这些站点间的相关性及其强度常利用先验信息计算。然而，受人类认知局限，有限的先验信息无法反映真实的站点相关结构，也难以带来更有效的精确预测信息。为此，我们在消息传递网络上提出一种新颖的带自适应边属性的动态图神经网络（DGN-AEA），其通过将边属性作为模型参数学习来生成自适应双向动态图。与利用先验信息建边不同，我们的方法可通过端到端训练获得自适应边信息而无需任何先验信息，从而降低了问题复杂度。此外，站点间隐藏的结构信息可作为模型副产品获得，有助于后续决策分析。实验结果表明，我们的模型取得了优于其他基线的 SOTA 性能。
引用
@article{arxiv.2302.09977,
title = {Dynamic Graph Neural Network with Adaptive Edge Attributes for Air Quality Predictions},
author = {Jing Xu and Shuo Wang and Na Ying and Xiao Xiao and Jiang Zhang and Yun Cheng and Zhiling Jin and Gangfeng Zhang},
journal= {arXiv preprint arXiv:2302.09977},
year = {2023}
}