基于动态多图注意力的长期时空预测
机器学习
2022-09-02 v4 人工智能
摘要
许多现实世界中无处不在的应用，如停车推荐与空气污染监测，都从准确的长期时空预测(LSTF)中显著受益。LSTF利用空间与时间域之间的长期依赖、上下文信息以及数据中的固有模式。近期研究揭示了多图神经网络(MGNNs)提升预测性能的潜力。然而，现有MGNN方法因若干缺陷无法直接应用于LSTF：通用性低、上下文信息利用不足以及图融合方法失衡。为解决这些问题，我们构建新的图模型以表示各节点的上下文信息与长期时空数据依赖结构。为融合多图间的信息，我们提出一种新的动态多图融合模块，通过空间注意力与图注意力机制刻画图内节点及跨图节点间的相关性。此外，我们引入可训练权重张量以指示各节点在不同图中的重要性。在两个大规模数据集上的大量实验表明，我们提出的方法显著提升了现有图神经网络模型在LSTF预测任务中的性能。
引用
@article{arxiv.2204.11008,
title = {Long-term Spatio-temporal Forecasting via Dynamic Multiple-Graph Attention},
author = {Wei Shao and Zhiling Jin and Shuo Wang and Yufan Kang and Xiao Xiao and Hamid Menouar and Zhaofeng Zhang and Junshan Zhang and Flora Salim},
journal= {arXiv preprint arXiv:2204.11008},
year = {2022}
}
备注
Accepted by the 31st International Joint Conference on Artificial Intelligence and the 25th European Conference on Artificial Intelligence (IJCAI-ECAI 2022)