ST-UNet：一种用于图结构时间序列建模的时空 U 型网络
机器学习
2021-06-16 v2 机器学习
摘要
时空图学习正成为图研究中日益重要的对象。许多应用领域涉及高度动态的图，其中时间信息至关重要，例如交通网络与金融交易图。尽管在结构化数据学习方面不断取得进展，仍缺乏从时空结构中提取动态复杂特征的有效手段。特别地，卷积网络或循环神经网络等传统模型无法同时揭示时空图中短期或长期的时间模式并探索局部或全局范围的空间属性。为解决此问题，我们设计了一种新颖的多尺度架构——时空 U-Net（ST-UNet），用于图结构时间序列建模。在该 U 形网络中，相应地提出了时空域中的成对采样操作：池化（ST-Pool）从其确定性划分中对输入图进行空间粗化，同时通过膨胀循环跳跃连接抽取多分辨率时间依赖；基于下采样中的前述设定，反池化（ST-Unpool）恢复时空图的原始结构并恢复图序列中的规则间隔。在时空预测任务上的实验表明，我们的模型有效捕获了多尺度下的全面特征，并在多个真实数据集上相较主流方法取得显著提升。
引用
@article{arxiv.1903.05631,
title = {ST-UNet: A Spatio-Temporal U-Network for Graph-structured Time Series Modeling},
author = {Bing Yu and Haoteng Yin and Zhanxing Zhu},
journal= {arXiv preprint arXiv:1903.05631},
year = {2021}
}