基于偏微分方程用于机器学习时空图的合成数据集

许多物理过程可通过偏微分方程 (PDE) 表示。由于实测数据常在空间上不规则分布，常表示为图形；然而，目前仅有少数现有数据集。我们的工作旨在为时空图机器学习社区提供偏微分方程建模的进展，同时解决数据稀缺问题，通过创建和利用基于 PDE 的数据集。在本工作中，我们创建并使用基于 PDE 的合成数据集以支持时空图建模中的机器学习，用于不同应用。更准确地说，我们展示了三种方程来建模不同领域的灾害和灾害：流行病学、大气颗粒物和海啸波浪。进一步，我们展示了所创建的数据集可如何通过在流行病学数据集上对几种机器学习模型进行基准测试。此外，我们展示了在该数据集上预训练可如何提高在真实世界流行病学数据上的模型性能。所呈现的方法使他人能够创建针对个人要求的定制数据集和基准。我们的方法论及三个创建的数据集的源代码可在 https://github.com/github-usr-ano/Temporal_Graph_Data_PDEs 上找到。