.png){kind=icon}
返回
Asynchronous graph generator
.png){kind=icon}
OA
AI
DOI：10.1016/j.sigpro.2025.110183.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 一种将稀疏多通道时间序列解释为异步图的新颖方法，其中节点代表观测值。
• 嵌入的新颖应用，用于编码时间和通道特征，这些特征可以通过图注意力来利用，以建立观测值之间的关系模型。
• 引入条件注意力生成机制，一种根据给定的时间/通道特征生成新观测值的机制。
• 对AGG（异步图生成器）在标准基准上的实验验证，并与当前最优方法进行比较。
• 从数据增强的角度对AGG的性能极限进行的研究。
期刊
IF:
3.6
论文数:
10.0K
被引数:
1.7W
机构
暂无机构信息
引用论文
Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting时空图卷积网络: 用于交通预测的深度学习框架OAAI
OAAI分享收藏Traffic transformer: Capturing the continuity and periodicity of time series for traffic forecasting流量转换器: 捕获时间序列的连续性和周期性以进行流量预测
PREAI
分享收藏Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks.png)
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining
OAAI
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
OAAI分享收藏
查看更多内容