.png){kind=icon}
返回
Evolving graph structure learning for multivariate time series forecasting
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.113190.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，图神经网络（GNN）在多变量时间序列预测中的应用取得了显著成就。在以往的大多数研究中，无论采用手工设计还是自学习方式，描述变量间相互作用的邻接矩阵都是稠密且静态的。然而，我们提出以下观点：（1）在现实场景中，变量间的相互作用可能是动态且演变的；（2）稀疏且紧凑的图结构能更好地反映这些相互作用。基于此，本文提出了一种基于GNN的深度神经网络，用于解决多变量时间序列预测问题。首先，我们通过Gumbel-Softmax从原始稠密图结构中微分构建稀疏且主要的图结构。其次，通过循环神经网络构建一系列新图，以建模各时间点变量间演变的相关性。第三，提出一种新颖的时序约束，旨在增强训练过程，帮助演变图捕捉时间序列的时序平滑性。最后，构建一个整合所有上述模块的统一神经网络，进行最终预测，有效兼顾时序依赖和成对相关性。实验在六个涵盖不同领域的数据集上进行，评估了模型在单步和多步预测任务中的性能。结果表明，相比现有方法，本模型展现出卓越的性能。
Keyword:
Time series forecasting
Graph neural network
Deep learning
Traffic forecasting
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
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分享收藏分享收藏Rebalancing Bike Sharing Systems.png)
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
PREAI
分享收藏
查看更多内容