基于动态局部化的时空图神经网络

时空数据是众多智能应用的基础，揭示了表明特定位置的当前测量值与同一位置或其他位置历史数据之间存在因果关系的依赖性。在此背景下，自适应时空图神经网络（ASTGNN）作为通过数据驱动方式而非预定义空间图来建模这些依赖性的有价值工具。尽管这种方法在准确性方面具有优势，但还面临更高的计算需求。针对这一挑战，本文深入探讨了ASTGNN中的局部化概念，提出一种创新视角，即空间依赖性应随时间动态演化。我们引入了\textit{DynAGS}——一种面向最大化分布式部署效率和准确性的局部化ASTGNN框架。该框架集成了动态局部化、演化时空图和个人化局部化，围绕利用跨注意力机制的轻量级中心模块Dynamic Graph Generator。该中心模块以节点无关的方式整合历史信息，以增强当前时刻节点的特征表示。随后，该改进的特征表示被用于生成无需昂贵数据交换的动态稀疏图，并支持个人化局部化。在两个核心ASTGNN架构和九个来自不同应用领域的真实数据集上的性能评估表明，\textit{DynAGS}超过了当前基准，凸显动态建模空间依赖性可显著提高模型的表达性、灵活性和系统效率，尤其是在分布式设置下。