利用时空图神经网络预测未观测节点状态
机器学习
2022-11-22 v1
摘要
在处理传感器网络时，预测传感器的未来状态是解决天气预测、路径规划等诸多任务的关键。但传感器的完整空间覆盖通常无法实现，且在部署和维护过程中受预算及其他资源限制，实际上也不可行。当前现有的机器学习方法局限于观测到数据的空间位置，对下游任务造成限制。受近期时空数据处理中图神经网络兴起的启发，我们探究这些网络是否也能预测无传感器可用位置的状态。为此，我们开发了一个名为未观测节点状态预测（FUNS）的框架，可基于时空相关性和图归纳偏置，对完全未观测位置的状态进行预测。FUNS 充当仅在观测数据上优化模型的蓝图，并展示出在测试阶段预测完全未观测位置状态的良好泛化能力。我们的框架可与任意时空图神经网络结合，后者利用网络的图结构挖掘与周围观测位置的时空相关性。我们所采用的模型基于先前的模型构建，同时允许我们利用关于感兴趣位置的先验知识，例如道路类型。在模拟和真实世界数据集上的实证评估表明，图神经网络非常适用于该任务。
引用
@article{arxiv.2211.11596,
title = {Forecasting Unobserved Node States with spatio-temporal Graph Neural Networks},
author = {Andreas Roth and Thomas Liebig},
journal= {arXiv preprint arXiv:2211.11596},
year = {2022}
}