基于图神经网络的多变量时空预测不确定性量化方法 UQGNN
机器学习
2025-09-03 v2 人工智能
摘要
时空预测在诸多现实应用中发挥着关键作用，如城市规划、交通优化、灾害应对和疫情控制等。近年来，研究者们通过发展先进的深度学习模型为时空预测取得了显著进展。然而，大多数现有模型是确定性的，即仅预测期望均值，而不对不确定性进行量化，导致可能不可靠和不准确的结果。虽然近期研究引入了概率模型来量化不确定性，但通常只关注单一现象（如出租车、自行车、犯罪或交通事故），从而忽略了不同城市现象之间的内在相关性。为填补这一研究空白，我们提出了一种新型的图神经网络不确定性量化方法，称为 UQGNN，用于多变量时空预测。UQGNN 引入了两个关键创新：（i）一种交互感知时空嵌入模块，将多变量扩散图卷积网络和交互感知时序卷积网络整合，以有效捕获复杂的空间和时间交互模式；（ii）一种多变量概率预测模块，用于估计期望均值及其相关不确定性。在来自深圳、纽约市和芝加哥的四个真实世界多变量时空数据集上进行的广泛实验表明，UQGNN 在预测准确性和不确定性量化方面 consistently 优于最先进的基线方法。例如，在深圳数据集上，UQGNN 在预测准确性和不确定性量化方面分别实现了约 5% 的提升。
引用
@article{arxiv.2508.08551,
title = {UQGNN: Uncertainty Quantification of Graph Neural Networks for Multivariate Spatiotemporal Prediction},
author = {Dahai Yu and Dingyi Zhuang and Lin Jiang and Rongchao Xu and Xinyue Ye and Yuheng Bu and Shenhao Wang and Guang Wang},
journal= {arXiv preprint arXiv:2508.08551},
year = {2025}
}
备注
10 pages, 7 figures, SIGSPATIAL 2025