.png){kind=icon}
返回
Beyond spatial neighbors: Utilizing multivariate transfer entropy for interpretable graph-based spatio-temporal forecasting
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2025.110161.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
时空预测是一项具有挑战性的任务，需要建模多个时间序列之间的复杂交互。虽然基于图的方法已涌现为该任务的强大工具，但其有效性高度依赖于捕获空间依赖关系但忽略时间关系的底层图结构。为解决此挑战，我们提出了多变量转移熵-基于图神经网络的多变量时间序列预测（MTE-MTGNN），这是一种结合统计方法和深度学习的混合方法。MTE-MTGNN引入了一个基于多变量转移熵的可解释图构造层，能够有效捕获数据中的空间和时间依赖关系。在五个基准数据集上的实证评估表明，我们提出的方法在预测精度方面具有优越性。该模型在少样本场景中表现出特别优势，而传统预测方法通常难以应对，与最先进的基线相比，在汇率数据集的RRSE指标上性能提升最高达3%，在匈牙利水痘数据集的相关性指标上性能提升最高达4%。不同实验中观察到的结果转化为对实际工程应用和不同领域的重要实际效益。
Keyword:
Deep learning
Graph neural networks
Machine learning
Spatio-temporal forecasting
Statistics
期刊
IF:
8
论文数:
5.4K
被引数:
3.5W
机构
引用论文
Machine Learning Based Short-Term Travel Time Prediction: Numerical Results and Comparative Analyses.png)
SUSTAINABILITY
OAAI
SUSTAINABILITYIF3.3
OAAI分享收藏Travel Time Prediction and Explanation with Spatio-Temporal Features: A Comparative StudyElectronics
OAAI
ElectronicsIF0
OAAI分享收藏Spatio-Temporal Graph Deep Neural Network for Short-Term Wind Speed Forecasting用于短期风速预测的时空图深度神经网络
PREAI
分享收藏A novel meta-learning approach for few-shot short-term wind power forecastingAPPLIED ENERGY
APPLIED ENERGYIF11
PREAI
分享收藏Application of an Adaptive Adjacency Matrix-Based Graph Convolutional Neural Network in Taxi Demand ForecastingMathematicsOAAI
MathematicsIF0
OAAI分享收藏
查看更多内容