用于时空克里金的归纳式图神经网络
机器学习
2020-12-22 v2 机器学习
摘要
时间序列预测和时空克里金是时空数据分析中两个最重要的任务。近期关于图神经网络的研究在时间序列预测方面取得了实质性进展，但对克里金问题——即恢复未采样位置/传感器的信号——关注甚少。大多数现有的可扩展克里金方法（例如，矩阵/张量补全）是直推式的，因此当有新的传感器需要插值时，需要完全重新训练。在本文中，我们开发了一个归纳式图神经网络克里金（IGNNK）模型，用于恢复网络/图结构上未采样传感器的数据。为了泛化距离和可达性的影响，我们生成随机子图作为样本，并为每个样本重建相应的邻接矩阵。通过重建每个样本子图上的所有信号，IGNNK 能够有效地学习空间消息传递机制。在几个真实世界时空数据集上的实证结果证明了我们模型的有效性。此外，我们还发现，学习到的模型可以成功迁移到未见过的数据集上的同类型克里金任务。我们的结果表明：1）GNN 是进行空间克里金的一种高效且有效的工具；2）归纳式 GNN 可以使用动态邻接矩阵进行训练；3）训练好的模型可以迁移到新的图结构；4）IGNNK 可用于生成虚拟传感器。
引用
@article{arxiv.2006.07527,
title = {Inductive Graph Neural Networks for Spatiotemporal Kriging},
author = {Yuankai Wu and Dingyi Zhuang and Aurelie Labbe and Lijun Sun},
journal= {arXiv preprint arXiv:2006.07527},
year = {2020}
}
备注
AAAI 2021