.png){kind=icon}
返回
Heuristic Knowledge-Driven Spatio-Temporal Forecasting via Multigraph
.png){kind=icon}
PRE
AI
DOI：10.1109/tnnls.2026.3656372.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
精确长期预测在实践应用中的重要性日益凸显。停车资源预测和环境质量监测等广泛场景，高度依赖LSTF的准确时空预测能力。该技术通过结合时空维度的交互关系与上下文数据集成，强化了预测效果。随着时间推移，图神经网络（GNNs）在捕捉空间相关性方面已被证明具有高度有效性。近期进展引入了多图神经网络（MGNNs），通过纳入更多上下文信息以提高预测精度。然而，当MGNNs应用于长期时空预测（LSTF）时，面临泛化能力有限、上下文利用不足、静态图融合方法以及忽视动态相互关系等挑战。为解决这些问题，我们提出了新型图结构，在编码各节点上下文信息的同时，充分挖掘长期时空依赖性。此外，本研究设计了动态多图融合架构，整合空间维度、时间特征和图注意力机制，以同时捕捉图内节点关联和跨图交互。为强化关系分析，采用了可训练权重张量对跨图节点重要性进行定量评估。在三个大规模基准数据集上的系统实验证实，该方法显著提升了现有GNNs在LSTF任务中的性能。
Keyword:
Attention mechanisms
deep learning
graph neural networks (GNNs)
long-term spatio-temporal forecasting (LSTF)
期刊
IF:
8.9
论文数:
7.6K
被引数:
7.2W
机构
引用论文
Preserving Dynamic Attention for Long-Term Spatial-Temporal Prediction.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Automated Dilated Spatio-Temporal Synchronous Graph Modeling for Traffic Prediction用于交通预测的自动扩展时空同步图建模OAAI
OAAI分享收藏Emulation of an atmospheric gas-phase chemistry solver through deep learning: Case study of Chinese Mainland通过深度学习模拟大气气相化学求解器: 以中国大陆为例
PREAI
分享收藏
查看更多内容