面向时空数据的图神经网络：方法与应用
机器学习
2023-06-02 v1 人工智能
摘要
在大数据时代，含丰富空间与时间信息的数据可用性激增，为天气预测、自然灾害管理、智能交通系统与精准农业等应用中的动态系统与过程提供了宝贵洞见。图神经网络（GNN）已成为建模和理解具有相互依赖关系（如空间与时间依赖）数据的有力工具。现有大量工作聚焦于利用GNN解决时空数据中的复杂空间与时间依赖。然而，时空数据强烈的跨学科特性催生了众多专为不同应用领域设计的GNN变体。尽管这些技术通常跨领域适用，但由于缺乏关于时空数据GNN的全面文献综述，交叉参考这些方法仍必不可少却具挑战。本文旨在对时空领域GNN的技术与应用给出系统且全面的概览。首先，总结从时空数据构建图的方式，以帮助领域专家理解如何从各类时空数据生成图。继而，对现有时空GNN进行系统分类与总结，使领域专家能识别适用技术，并支撑模型开发者推进其研究。此外，给出时空领域重要应用的全面概览，向模型开发者与领域专家介绍更广的应用面，协助其探索潜在研究课题并提升工作影响。最后，讨论开放挑战与未来方向。
引用
@article{arxiv.2306.00012,
title = {Graph Neural Network for spatiotemporal data: methods and applications},
author = {Yun Li and Dazhou Yu and Zhenke Liu and Minxing Zhang and Xiaoyun Gong and Liang Zhao},
journal= {arXiv preprint arXiv:2306.00012},
year = {2023}
}