基于变分模态图神经网络的鲁棒性强、对噪声不敏感的时空数据长期预测
机器学习
2025-04-10 v1
摘要
本文致力于通过引入三维注意力机制，提高基于变分模态图卷积网络（VMGCN）的时空长期预测鲁棒性。该任务的深度学习网络依赖历史数据输入，但实际数据可能受到传感器噪声的干扰，导致分布发生变化。我们将噪声建模为独立同分布（i.i.d.）的高斯噪声，并将其叠加至大规模时空交通量数据集中，形成同时包含内在噪声与叠加噪声成分的数据。我们的做法是首先对受损信号进行变分模态分解，然后将数据输入学习管道进行预测。我们集成了涵盖空间、时间与通道注意力的三维注意力机制。其中，空间注意力模块与时间注意力模块分别学习其相关性，而通道注意力机制用于抑制噪声并突出显示时空信号中显著模式。此外，还实现了可学习的软阈值方法，以排除特征向量中不重要的模式，并应用基于信噪比（SNR）的特征降维方法。我们将方法在基线模型与进行比较，证明该方法在长期预测准确性、噪声鲁棒性以及模式截断下的性能均优于基线模型。该论文的代码可在 https://github.com/OsamaAhmad369/VMGCN 查阅。
引用
@article{arxiv.2504.06660,
title = {Robust and Noise-resilient Long-Term Prediction of Spatiotemporal Data Using Variational Mode Graph Neural Networks with 3D Attention},
author = {Osama Ahmad and Zubair Khalid},
journal= {arXiv preprint arXiv:2504.06660},
year = {2025}
}
备注
Accepted in IJCNN, 2025