用于时空外推的图神经过程

我们研究图结构下从周边上下文生成目标位置数据的时空外推任务。该任务至关重要，因为采集数据的传感器部署稀疏，由于高昂的部署与维护成本导致缺乏细粒度信息。现有方法要么使用基于学习的模型（如神经网络），要么使用统计方法（如高斯过程）来完成此任务。然而，前者缺乏不确定性估计，后者无法有效捕捉复杂的空间与时间相关性。为解决这些问题，我们提出时空图神经过程（STGNP），一种同时具备这些能力的神经潜变量模型。具体而言，我们首先通过堆叠因果卷积层与跨集图神经网络层来学习确定性的时空表示。然后，我们通过沿层垂直的潜状态转移为目标位置学习潜变量并获得外推结果。重要的是，在转移过程中，我们提出图贝叶斯聚合（GBA），一种贝叶斯图聚合器，在考虑上下文数据与图结构中的不确定性的情况下聚合上下文。大量实验表明，STGNP具有诸如不确定性估计与强学习能力等理想特性，并以明显优势取得最先进的成果。