TG-PhyNN：一种用于预测时空图数据的增强物理感知图神经网络框架
机器学习
2024-08-30 v1
摘要
准确预测图上动态过程(如交通流或疾病扩散)仍具有挑战性。虽然图神经网络(GNN)在建模和预测时空数据方面表现出色，但往往缺乏直接纳入底层物理法则的能力。本文提出TG-PhyNN，一种新的时序图物理感知神经网络框架。TG-PhyNN利用GNN处理图基建模的能力，同时在训练期间将物理约束作为指导原则加以融合。这通过一种两阶段预测策略实现，使GNN架构中能够计算物理方程的导数。我们的发现表明，TG-PhyNN在PedalMe(交通流)、COVID-19扩散和鸡肉疱疹疫情等真实时空数据集上显著优于传统预测模型(如GRU、LSTM、GAT)。这些数据集都受到明确物理原理的支配，TG-PhyNN有效地利用这些物理规律，为在数据动力学由物理过程主导的各种领域提供更可靠、更准确的预测。这为改进交通流预测、疾病爆发预测以及潜在的其他领域预测铺平了道路。
引用
@article{arxiv.2408.16379,
title = {TG-PhyNN: An Enhanced Physically-Aware Graph Neural Network framework for forecasting Spatio-Temporal Data},
author = {Zakaria Elabid and Lena Sasal and Daniel Busby and Abdenour Hadid},
journal= {arXiv preprint arXiv:2408.16379},
year = {2024}
}