CN111639787A - 一种基于图卷积网络的时空数据预测方法 - Google Patents

一种基于图卷积网络的时空数据预测方法 Download PDF

Info

Publication number
CN111639787A
CN111639787A CN202010347235.3A CN202010347235A CN111639787A CN 111639787 A CN111639787 A CN 111639787A CN 202010347235 A CN202010347235 A CN 202010347235A CN 111639787 A CN111639787 A CN 111639787A
Authority
CN
China
Prior art keywords
data
time
monitoring
space
spatio
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010347235.3A
Other languages
English (en)
Other versions
CN111639787B (zh
Inventor
韩忠明
李胜男
段大高
张翙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Technology and Business University
Original Assignee
Beijing Technology and Business University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Technology and Business University filed Critical Beijing Technology and Business University
Priority to CN202010347235.3A priority Critical patent/CN111639787B/zh
Publication of CN111639787A publication Critical patent/CN111639787A/zh
Application granted granted Critical
Publication of CN111639787B publication Critical patent/CN111639787B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Abstract

本发明公开一种基于图卷积网络的时空数据预测方法，包括如下步骤：获取时空数据作为预测任务的对象；对获取到的时空数据进行处理得到数据集；构建基于图卷积网络的时空数据预测模型；将得到的训练样本和验证样本作为构建模型的输入，执行训练算法，得到模型参数，确定基于图卷积网络的时空数据模型；输入待测时间和空间，执行基于图卷积网络的时空数据模型，从而得到期待的预测结果。本发明可以有效的捕获时空数据中的时间属性和空间结构特征，从而提高时空数据预测任务的准确性，在疾病监控、交通管理等多种领域都具有非常重要的应用价值。

Description

一种基于图卷积网络的时空数据预测方法
技术领域
本发明涉及数据挖掘技术领域，特别是涉及一种基于图卷积网络的时空数据预测方法。
背景技术
现实世界中存在很多既具有时间属性也含有空间特征的数据，例如气象监测数据、交通监控数据、区域灾害数据等，这类数据称之为时空数据。时空数据的特定是不仅会在时间维度上发生变化，也会在空间维度上发生变化。以交通监控数据为例，某一监控点的交通流量会随着时间不断变化，同时相邻监控点的交通流量之间会彼此影响，其影响程度也会随着时间不断变化。
随着互联网、传感器等的普及，时空数据已经成为了大数据时代典型的数据类型，时空数据挖掘也随之成为了数据挖掘领域的一个热门方向。对时空数据进行挖掘有助于发现其中蕴含的时空模式，从而在当前数据上进行推断，以根据已知特征的值来预测目标特征的值，在疾病监控、交通管理等多种领域都具有非常重要的应用价值。时空数据挖掘的典型应用如根据不同地区传染病的传染情况，基于传染病每日的感染人数、感染人群的位置建模，从而预测未来各个地区可能的感染人数；根据地面气象站每日的气象要素监测数据来捕获各气象要素的变化特征，从而预测未来一段时间内各地的气象情况。
现有的时空数据挖掘方法或者使用长短期记忆网络(LSTM)，将时空数据视为时间序列数据进行预测，忽视了其中的空间结构信息；或者用网格形式来表示时空数据中的空间结构，忽视了网络拓扑结构信息的重要性。因此，本发明提出一种基于图卷积网络的时空数据预测方法，以解决现有问题中的不足之处。
发明内容
本发明的目的是提供一种基于图卷积网络的时空数据预测方法，以解决上述现有技术存在的问题，既捕获时空数据中的网络拓扑结构信息，又挖掘出其中的时间依赖性以及时空相关性，提高时空数据预测任务的准确性。
为实现上述目的，本发明提供了如下方案：本发明提供一种基于图卷积网络的时空数据预测方法，包括以下步骤：
S1、获取时空数据作为预测任务的对象；
S2、对获取的时空数据进行处理得到样本；
S3、构建基于图卷积网络的时空数据模型；
S4、将步骤S2所得到的样本作为输入到步骤S3所构建模型中，执行训练算法，得到模型参数，确定基于图卷积网络的时空数据模型；
S5、输入待测时间和空间，执行基于图卷积网络的时空数据模型，得到预测结果。
优选的，步骤S2中对原始时空数据进行处理的步骤包括：
S21、对获取到的原始时空数据进行预处理：首先进行数据清理，得到时空数据，对时空数据进行处理，形成时空数据监测点；然后进行数据集成、数据变换；
S22、将步骤S21所得到的预处理后的数据划分为训练数据、验证数据和测试数据；
S23、将所述训练数据集、验证数据集和测试数据集进行划分，得到训练数据样本集、验证数据样本集和测试数据样本集；
S24、获取时空数据中的空间拓扑结构信息：根据时空数据监测点的地理位置信息得到两两监测点间的距离，构建表示监测点间相邻关系的时空数据邻接矩阵。
优选的，步骤S3构建基于图卷积网络的时空数据模型的具体步骤为：
依次构建全局GCN层、全局时间注意力层、全局扩张因果卷积结构、局部GCN层、局部时间注意力层、局部扩张因果卷积结构、融合层。
优选的，步骤S4进行模型训练具体包括以下步骤：
S41、分别将训练数据样本集和验证数据样本集中每个样本的输入数据和时空数据的邻接矩阵作为模型的输入，将对应的输出数据作为模型的输出标签数据，计算损失；
S42、采用随机梯度下降法等学习算法进行迭代反向传播学习，迭代若干次或参数收敛，从而得到模型的所有参数，对模型进行固化。
优选的，将步骤S2所得到的测试数据样本集输入步骤S4得到的所述基于图卷积网络的时空数据模型，从而得到预测结果，包括以下步骤：
S51：将所述测试数据样本集中每个样本的输入数据和所述时空数据的邻接矩阵输入所述时空数据模型；
S52：模型前向执行，得到每一监测点在预测时间点的预测结果。
优选的，时空数据邻接矩阵构建方法为：对所述监测点间的距离
Figure BDA0002470553410000031
进行归一化处理，将归一化后的距离
Figure BDA0002470553410000032
的监测点对视为相邻监测点，然后构建邻接矩阵A，Dist是设定的距离阈值，
构建邻接矩阵A的公式如下：
Figure BDA0002470553410000033
Figure BDA0002470553410000034
式中，max(d)表示监测点间的最大距离，min(d)表示监测点间的最小距离。
本发明公开了以下技术效果：
本发明涉及的基于图卷积网络的时空数据预测方法从大数据出发，针对时空数据在时间维度和空间维度上的特征，分别使用局部扩张因果卷积和图卷积神经网络GCN来捕获其中的时间特征以及空间结构特征。同时根据时空数据的时间特性，将不同监测时间点的监测数据之间的影响分为两个部分，同一监测点之间的影响，以及不同监测点之间的影响(监测点与其邻居之间的影响)。根据两种影响的不同特性，分别使用全局时间注意力机制和局部时间注意力机制来得到历史监测数据与未来监测数据间的时间依赖性，并且通过扩张因果卷积结构来得到对应的全局预测结果和局部预测结果。对两个部分的预测结果进行加权融合得到预测任务最终的预测结果。该模型方法既可以捕获时空数据中的网络拓扑结构信息，又可以挖掘出其中的时间依赖性以及时空相关性，对提高时空数据预测任务的准确性有很大的帮助。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明方法的流程示意图；
图2为本发明实施例步骤二中的时空数据空间结构示意图；
图3为本发明步骤三所构建的基于图卷积网络的时空数据预测模型的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明提供一种基于图卷积网络的时空数据预测方法，如图1所示，具体包括如下步骤：
步骤一：获取一定时间范围内的时空数据作为预测任务的对象；
时空数据是指同时具有时间和空间维度的数据，例如气象监测数据、交通监控数据、区域灾害数据等。时空数据的特定是不仅会在时间维度上发生变化，也会在空间维度上发生变化。从现实中获取时空数据或者直接使用公开数据，本实施例以中国国家级地面气象站基本气象要素日值数据为例，下载地址为:http://data.cma.cn/。此数据发布于2012年8月，包含从1951年1月到2012年7月每天的地面基本气象要素监测数据和一个数据说明书，总共包含2474个监测点，22个监测要素，22462个监测时间点。本方法借用此数据中6个监测点(N＝6)，11个监测时间点(T＝11)和1个监测要素(Q＝1)作为时空数据示例。
步骤二：对获取到的原始时空数据进行处理得到数据集；
步骤1：对步骤一所获取的中国国家级地面气象站基本气象要素日值数据进行预处理：首先进行数据清理，根据气象数据的特性对数据中的缺失值进行填充处理；根据数据说明书中的数据处理方法对数据里的离群值和异常值进行修正处理；然后进行数据集成，按照时空数据监测点的编号以及时空数据测量时间点的先后顺序将所有监测点在所有监测时间点的监测要素的值合并；接着进行数据变换，将数据集成后所得到的大小为(N×T)×Q的二维数据，变为N×Q×T的三维数据，其中，每一维度分别表示：监测点、测量数据和监测时间点。在本实施例中，我们以预测平均气温为目标(1个监测要素)，选取6个监测点，11个监测天数(监测时间点的个数)，最终得到6×1×11的三维数据。
步骤2：将步骤1所得到的预处理后的数据划分为训练数据、验证数据和测试数据：将步骤1所得数据以第三维监测天数为基准，按照一定比例进行划分，得到训练数据集Dtrain、验证数据集Dval和测试数据集Dtest。在本实施例中，方便起见不设置验证数据集，按照6∶5的比例将数据划分为训练数据集和测试数据集。
步骤3：将步骤2所得到的数据集划分为样本集：首先设置滑动窗口的大小W，滑动窗口的大小由输入时间段的长度Winput(即已知的测量数据历史监测时间点的个数)和预测的输出时间段的长度Woutput(即将要预测的预测时间点的个数)两个部分决定，即W＝Winput+Woutput；然后滑动窗口分别在训练数据Dtrain、验证数据Dval和测试数据Dtest的第三维度(监测时间点维度)上滑动，每次滑动则得到一个与滑动窗口大小一致的样本，直到数据第三维度所剩的长度小于滑动窗口大小则停止滑动。由滑动窗口所得到的每一数据的所有样本构成该数据的样本集，从而得到训练样本集Strain＝(s1，s2，…，sn_train)、验证样本集Sval＝(s1，s2，…，sn_val)和测试样本集Stest＝(s1，s2，…，sn_test)，其中，sn_train、sn_val和sn_test分别表示Strain、Sval和Stest中的样本个数。对于每一样本集中的每
一样本si＝(x1，x2，…，xW)∈RN×Q×W，其中，xt∈RN×Q表示样本si在监测时间点t下的数据特征(即监测时间点t时所有监测点(N个)的所有测量值(Q个))，t∈(1，2，...，W)。将每一样本si的前Winput个数据特征作为该样本的输入数据
Figure BDA0002470553410000051
将其后Woutput个数据特征作为该样本的输出数据
Figure BDA0002470553410000052
Figure BDA0002470553410000053
其中，
Figure BDA0002470553410000054
表示样本si在监测点n的历史时间序列特征(即已知的历史监测时间点(Winput个)下的所有测量值(Q个))，
Figure BDA0002470553410000055
表示样本si在监测点n将要预测的未来时间序列特征(即将要预测的预测时间点(Woutput个)下的所有测量值(Q个))，n∈(1，2，…，N)。
在本实施例中，设滑动窗口的大小W＝5，Winput＝4，Woutput＝1；然后滑动窗口分别在训练数据Dtrain和测试数据Dtest的第三维度(长度分别为：6，5)上滑动，从而得到训练样本集Strain＝(s1，s2)和测试样本集Stest＝(s1)。对于每一样本集中的每一样本si＝(x1，x2，…，x5)∈R6×1×5，将样本si前4个数据特征作为该样本的输入数据
Figure BDA0002470553410000061
将其后1个数据特征作为该样本的输出数据
Figure BDA0002470553410000062
步骤4：获取时空数据中的空间拓扑结构信息：根据时空数据监测点的地理位置信息(经纬度坐标)得到两两监测点间的距离
Figure BDA0002470553410000063
其中，v∈V表示时空数据监测点中的某一监测点，
Figure BDA0002470553410000064
表示监测点vi与监测点vj之间的距离。根据监测点间的距离
Figure BDA0002470553410000065
得到每一时空数据监测点的周围邻居，从而构建邻接矩阵A∈RN×N。
优选地，构建邻接矩阵A的具体过程为：将监测点间的距离
Figure BDA0002470553410000066
进行归一化处理，把归一化后的距离
Figure BDA0002470553410000067
的监测点对视为一对相邻监测点，以此构建邻接矩阵A，Dist是设定的距离阈值。
更进一步的，构建邻接矩阵A的公式如式(2)所示：
Figure BDA0002470553410000068
Figure BDA0002470553410000069
式(1)中max(d)表示监测点间的最大距离，min(d)表示监测点间的最小距离。
在本实施例中，设Dist＝0.3，监测点1与监测点2之间的距离为89，与监测点3之间的距离为201，且监测点间的最大距离为352，最小距离为46。则根据公式，
Figure BDA00024705534100000610
Figure BDA0002470553410000071
A1，2＝1，A1，3＝0。根据监测点间的距离使用上述公式从而得到时空数据的邻接矩阵
Figure BDA0002470553410000072
其空间拓扑结构如图2所示。
步骤三：构建基于图卷积网络的时空数据模型；该模型主要由以下七个部分构成：全局GCN层、全局时间注意力层、全局扩张因果卷积结构、局部GCN层、局部时间注意力层、局部扩张因果卷积结构、融合层。
步骤10：构建全局GCN层：对于时空数据所具有的空间结构特征使用图卷积神经网络GCN来捕获其中的空间信息。将样本si的输入数据
Figure BDA0002470553410000073
在监测时间点t下的数据特征xt∈RN×Q和时空数据的邻接矩阵A∈RN×N作为GCN的输入，从而得到样本si在监测时间点t下的含有空间拓扑结构信息的数据特征Xt∈RN×Q。用新得到的数据特征Xt代替原始的数据特征xt，得到样本si更新后的输入数据
Figure BDA0002470553410000074
图卷积神经网络GCN的公式如式(3)所示：
Figure BDA0002470553410000075
其中，X∈RN×R表示输入的数据特征；W∈RR×H是GCN的可学习权重矩阵，H表示输出的特征维度；
Figure BDA0002470553410000076
其中，
Figure BDA0002470553410000077
A是数据的邻接矩阵，IN∈RN×N是单位矩阵；
Figure BDA0002470553410000078
为
Figure BDA0002470553410000079
的度矩阵。
在本实施例中，已知
Figure BDA00024705534100000710
样本si在各个监测时间点下的数据特征
Figure BDA00024705534100000711
假定GCN的可学习权重W＝[0.95]，根据公式，得到样本si在各个监测时间点下的含有空间拓扑结构信息的数据特征
Figure BDA0002470553410000081
Figure BDA0002470553410000082
将得到的数据特征Xt合并得到样本si更新后的输入数据
Figure BDA0002470553410000083
Figure BDA0002470553410000084
步骤20：构建全局时间注意力层：在时间维度上，对于同一监测点而言，不同监测时间点的监测数据之间会互相影响，历史监测数据会对未来监测数据产生一定的影响，且历史监测数据与未来监测数据间的时间间隔长短对未来监测数据的影响程度不同，时间间隔越短影响程度越大，时间间隔越长影响程度越小。使用全局时间注意力机制可以得到某一监测点在不同历史监测时间点观测到的监测数据之间的时间依赖性。
具体方法为：将步骤10所得到的样本si更新后的输入数据
Figure BDA0002470553410000085
Figure BDA0002470553410000086
作为全局时间注意力机制的输入，从而得到不同历史监测时间点观测到的监测数据之间的全局时间注意力矩阵
Figure BDA0002470553410000087
将输入数据
Figure BDA0002470553410000088
与归一化后的全局时间注意力矩阵E′g相乘，得到含有注意力的输入数据
Figure BDA0002470553410000089
其中，
Figure BDA00024705534100000810
表示样本si在监测点n下的含有注意力的历史时间序列特征。
全局时间注意力的计算方法如公式(4)所示：
Figure BDA00024705534100000811
其中，
Figure BDA0002470553410000091
U1∈RN，U2∈RQ×N，U3∈RQ均为可学习参数；δ表示sigmoid激活函数；
Figure BDA0002470553410000092
表示不同历史监测时间点观测到的监测数据之间的全局时间注意力矩阵；Ei，j表示全局时间注意力矩阵Eg中监测时间点i观测到的监测数据与监测时间点j观测到的监测数据之间的注意力分数；
Figure BDA0002470553410000093
表示归一化后的全局时间注意力矩阵。
在本实施例中，更新后的输入数据
Figure BDA0002470553410000094
假定可学习参数
Figure BDA0002470553410000095
U2＝[[0.01 0.010.01 0.01 0.01 0.01]]，U3＝[1]，根据公式(计算的时候要注意维度匹配)，得到样本si的归一化后全局注意力矩阵
Figure BDA0002470553410000096
将
Figure BDA0002470553410000097
与E′g相乘，得到含有注意力的输入数据
Figure BDA0002470553410000098
步骤30：构建全局扩张因果卷积结构：对时空数据中每一监测点上的未来时间序列特征进行全局预测。由于RNN一次只能处理一个时间步长，需要消耗大量的计算资源，存在着梯度消失/爆炸的问题，并且无法捕获较为长远的时间信息，因此使用扩张因果卷积结构来得到预测任务的全局预测结果。全局扩张因果卷积结构包含一个输入层、多个隐藏层和一个输出层。
具体方法为：将步骤20所得到的含有注意力的输入数据
Figure BDA0002470553410000101
的历史时间序列特征
Figure BDA0002470553410000102
中的每个观测数据的历史时间序列特征
Figure BDA0002470553410000103
作为全局扩张因果卷积结构的输入，其中，qm(e1，e2，…，eQ)∈RQ表示历史监测时间点m观测到的监测数据，ei表示第i个监测数据，i＝(1，2，…，Q)；ei，m表示第i个监测数据在历史监测时间点m下的监测值，从而得到每一监测点的每个测量数据在预测时间点的全局预测结果
Figure BDA0002470553410000104
扩张因果卷积的公式如式(5)：
Figure BDA0002470553410000105
其中，X∈RT表示输入的一维数据特征；F∈RK是扩张因果卷积的卷积核，是一维可学习向量，K表示该卷积核的长度(即参数个数)；d表示给定的膨胀因子。
在本实施例中，含有注意力的输入数据
Figure BDA0002470553410000106
的历史时间序列特征Y1＝[24.127.6 25.4 18.5]，Y2＝[31 35.5 32.7 23.9]，Y3＝[26.1 29.8 27.4 20]，Y4＝[36.1 41.338 27.7，Y5＝[21.8 25 23 16.8]，Y6＝[26.1 29.8 27.4 20]。由于本实施例中只含有1个监测数据(Q＝1)，因此
Figure BDA0002470553410000108
将Yn作为全局扩张因果卷积结构的输入，设d＝1，2，K＝2，参数均为0.3，得到各个监测点在预测时间点5的全局预测结果
Figure BDA0002470553410000107
步骤40：构建局部GCN层：在时间维度上，对于不同监测点而言，某一监测点的邻居的历史监测数据会对该监测点的未来监测数据产生一定的影响，邻居的历史监测数据与该监测点的未来监测数据间的时间间隔长短对未来监测数据的影响程度不同；并且这种影响是局部的，邻居监测点仅有部分近期历史数据会对该监测点的未来监测数据产生影响。因此，在空间维度上，对给定的后T′个近期历史监测时间点下的时空数据所具有的空间特征使用图卷积神经网络GCN来捕获其中的空间结构信息。
具体方法为：对步骤10所得到的输入数据
Figure BDA0002470553410000111
以其第三维监测时间点维度为基准，选取该维度的后T′个数据构成近期输入数据
Figure BDA0002470553410000112
将样本si的近期输入数据
Figure BDA0002470553410000113
在监测时间点t下的数据特征Xt∈RN×Q和时空数据的邻接矩阵A∈RN×N作为GCN的输入，从而得到样本si在近期监测时间点t下的含有空间拓扑结构信息的数据特征X′t∈RN×Q。用新得到的数据特征X′t代替先前的数据特征Xt，得到样本si更新后的近期输入数据
Figure BDA0002470553410000114
Figure BDA0002470553410000115
在本实施例中，已知
Figure BDA0002470553410000116
Figure BDA0002470553410000117
设T′＝2，则样本si的近期输入数据
Figure BDA0002470553410000118
假定GCN的可学习权重W[0.95]，根据公式，得到样本si在各个近期监测时间点下的含有空间拓扑结构信息的数据特征
Figure BDA0002470553410000119
将得到的数据特征X′t合并得到样本si更新后的近期输入数据
Figure BDA00024705534100001110
Figure BDA00024705534100001111
步骤50：局部时间注意力层：使用局部时间注意力机制可以得到某一监测点的邻居在不同近期历史监测时间点的监测数据与该监测点在不同近期历史监测时间点的监测数据之间的时间依赖性。
具体方法为：将步骤40所得到的样本si更新后的近期输入数据
Figure BDA0002470553410000121
Figure BDA0002470553410000122
作为局部时间注意力机制的输入，从而得到不同近期历史监测时间点观测到的近期历史监测数据之间的局部时间注意力矩阵E′1∈RT′×T′。将输入数据
Figure BDA0002470553410000123
与局部时间注意力矩阵E′1相乘，得到含有注意力的近期输入数据
Figure BDA0002470553410000124
其中，
Figure BDA0002470553410000125
表示样本si在监测点n下的含有注意力的近期历史时间序列特征。
局部时间注意力的公式如式(6)所示：
Figure BDA0002470553410000126
其中，Ve，be∈RT′×T′，U1∈RN，U2∈RQ×N，U3∈RQ均为可学习参数；δ表示sigmoid激活函数；El∈RT′×T′表示不同历史监测时间点观测到的监测数据之间的局部时间注意力矩阵；Ei，j表示局部时间注意力矩阵El中监测时间点i观测到的监测数据与监测时间点j观测到的监测数据之间的注意力分数；E′l∈RT′×T′表示归一化后的局部时间注意力矩阵。
在本实施例中，更新后的近期输入数据
Figure BDA0002470553410000127
假定可学习参数
Figure BDA0002470553410000128
U2＝[[0.01 0.01 0.01 0.01 0.01 0.01]]，U3＝[1]，根据公式(计算的时候要注意维度匹配)，得到样本si的归一化后全局注意力矩阵
Figure BDA0002470553410000129
将
Figure BDA00024705534100001210
与E′l相乘，得到含有注意力的近期输入数据
Figure BDA0002470553410000131
步骤60：局部扩张因果卷积结构：对时空数据中每一监测点上的未来时间序列进行局部预测。局部扩张因果卷积结构包含一个输入层、多个隐藏层和一个输出层。
具体方法为：将步骤50所得到的含有注意力的输入数据
Figure BDA0002470553410000132
的近期历史时间序列特征
Figure BDA0002470553410000133
的每个测量数据的近期历史时间序列特征
Figure BDA0002470553410000134
作为局部扩张因果卷积结构的输入，其中，q′m＝(e′1，e′2，…，e′Q)∈RQ表示近期历史监测时间点m观测到的监测数据，e′i，m表示第i个测量数据在近期历史监测时间点m下的监测值，从而得到每一监测点的每个测量数据在预测时间点的局部预测结果
Figure BDA0002470553410000135
在本实施例中，含有注意力的输入数据
Figure BDA0002470553410000136
的近期历史时间序列特征Y′1＝[25.4 19.2]，Y′2＝[31.8 24.1]，Y′3＝[28.4 21.5]，Y′4＝[35.7 26.9]，Y′5＝[22.2 16.8]，Y′6＝[28.4 21.5]。由于本实施例中只含有1个监测数据(Q＝1)，因此
Figure BDA00024705534100001310
将Yn作为局部扩张因果卷积结构的输入，设d＝1，K＝2，参数均为0.65，得到各个监测点在预测时间点5的局部预测结果
Figure BDA0002470553410000137
步骤70：融合层：将步骤30得到的全局预测结果与步骤60得到的相应的局部预测结果进行加权融合，从而得到监测点n的监测数据ei在预测时间点r的最终预测结果
Figure BDA0002470553410000138
融合层的公式如式(7)所示：
Figure BDA0002470553410000139
其中，β和r是可学习参数，
Figure BDA0002470553410000141
表示监测点vi的监测数据ei在预测时间点r的全局预测结果，
Figure BDA0002470553410000142
表示局部预测结果。
在本实施例中，已知各个监测点在预测时间点5的全局预测结果
Figure BDA0002470553410000143
Figure BDA0002470553410000144
和局部预测结果
Figure BDA0002470553410000145
设可学习参数β＝0.65，r＝0.4，则各个监测点在预测时间点5的最终预测结果
Figure BDA0002470553410000146
步骤四，将步骤二所得到的训练样本和验证样本作为步骤三所构建的基于图卷积网络的时空数据模型的输入，执行模型训练算法，得到模型参数，包括以下步骤：
步骤A：分别将Strain和Sval样本集中每个样本的输入数据
Figure BDA0002470553410000147
和时空数据的邻接矩阵A作为模型的输入，将对应的输出数据
Figure BDA0002470553410000148
作为模型的输出标签数据，计算损失；
优选地，损失函数定义如下式8所示：
Figure BDA0002470553410000149
其中，
Figure BDA00024705534100001410
和
Figure BDA00024705534100001411
分别表示监测点n的所有监测数据在预测时间点r的最终预测结果与对应的输出标签数据。
步骤B：采用随机梯度下降法等学习算法进行迭代反向传播学习，迭代500次或参数收敛，从而得到模型的所有参数，固化模型。
在本实施例中，将步骤二所得到的训练样本集Strain＝(s1，s2)中样本的输入数据
Figure BDA00024705534100001412
和时空数据的邻接矩阵
Figure BDA0002470553410000151
作为模型的输入，将样本对应的输出数据
Figure BDA0002470553410000152
和
Figure BDA0002470553410000153
作为模型的输出标签数据。
第一次训练：
步骤10，初始化全局GCN的可学习权重W＝[0.95]，计算得到样本更新后的含有空间拓扑结构信息的输入数据
Figure BDA0002470553410000154
Figure BDA0002470553410000155
步骤20，初始化全局时间注意力的可学习参数
Figure BDA0002470553410000156
Figure BDA0002470553410000157
U2＝[[0.01 0.01 0.01 0.01 0.01 0.01]]，U3＝[1]，计算得到样本的含有注意力的输入数据
Figure BDA0002470553410000161
Figure BDA0002470553410000162
步骤30，设全局扩张因果卷积结构的膨胀因子d＝1，2，卷积核的长度K＝2，初始化卷积核参数均为0.3，将含有注意力的输入数据
Figure BDA0002470553410000163
和
Figure BDA0002470553410000164
的历史时间序列特征作为输入，计算得到样本的每一监测点在预测时间点的全局预测结果。样本s1：
Figure BDA00024705534100001611
样本s2：
Figure BDA0002470553410000165
步骤40，设T′＝2，初始化局部GCN的可学习权重W＝[0.95]，计算得到样本更新后的近期输入数据
Figure BDA0002470553410000166
步骤50，初始化局部时间注意力的可学习参数
Figure BDA0002470553410000167
Figure BDA0002470553410000168
U2＝[[0.01 0.01 0.01 0.01 0.01 0.01]]，U3＝[1]，计算得到样本的含有注意力的近期输入数据
Figure BDA0002470553410000169
Figure BDA00024705534100001610
步骤60，设局部扩张因果卷积结构的膨胀因子d＝1，卷积核的长度K＝2，初始化卷积核参数均为0.65，将含有注意力的近期输入数据
Figure BDA0002470553410000171
和
Figure BDA0002470553410000172
的近期历史时间序列特征作为输入，计算得到样本的每一监测点在预测时间点的局部预测结果。样本s2：
Figure BDA0002470553410000173
Figure BDA0002470553410000174
样本s2：
Figure BDA0002470553410000175
Figure BDA0002470553410000176
步骤70，初始化可学习参数β＝0.65，r＝0.4，计算得到各个样本的最终预测结果
Figure BDA0002470553410000177
Figure BDA0002470553410000178
Figure BDA0002470553410000179
计算得到Loss＝47.13。反向传播学习，更新参数。
第二次训练：
步骤10，更新后的全局GCN的可学习权重W＝[0.81]，计算得到
Figure BDA00024705534100001710
步骤20，更新后的全局时间注意力的可学习参数
Figure BDA00024705534100001711
U2＝[[0.03 0.1 0.01 0.01 0.03 0.02]]，U3＝[1.78]，计算得到样本的含有注意力的输入数据
Figure BDA0002470553410000181
Figure BDA0002470553410000182
步骤30，更新后的卷积核参数第一层为W＝[0.69 0.56]，第二层为W＝[0.570.47]，计算得到样本的每一监测点在预测时间点的全局预测结果。
样本s1：
Figure BDA0002470553410000183
Figure BDA0002470553410000184
样本s2：
Figure BDA0002470553410000185
Figure BDA0002470553410000186
步骤40，更新后的局部GCN的可学习权重W＝[1.08]，计算得到样本更新后的近期输入数据
Figure BDA0002470553410000187
步骤50，更新后的局部时间注意力的可学习参数
Figure BDA0002470553410000188
Figure BDA0002470553410000189
U2＝[[0.03 0.010.03 0.05 0.02 0.01]]，U3＝[1.54]，计算得到样本的含有局部注意力的输入数据
Figure BDA00024705534100001810
Figure BDA0002470553410000191
步骤60，更新后的卷积核参数为W＝[0.64 0.74]，计算得到样本的每一监测点在预测时间点的局部预测结果。样本s1：
Figure BDA0002470553410000192
Figure BDA0002470553410000193
样本s2：
Figure BDA0002470553410000194
步骤70，更新后的可学习参数β＝0.52，r＝0.44，计算得到最终预测结果
Figure BDA0002470553410000195
Figure BDA0002470553410000196
Figure BDA0002470553410000197
计算得到Loss＝23.73。
第三次训练：Loss＝20.14。多次训练直到参数收敛，最后的参数为：
步骤10，全局GCN的可学习权重W＝[0.87]；
步骤20，全局时间注意力的可学习参数
Figure BDA0002470553410000198
Figure BDA0002470553410000199
U2＝[0.02 0.05 0.01 0.03 0.02 0.02]]，U3＝[1.67]；
步骤30，卷积核参数第一层为W＝[0.65 0.51]，第二层为W＝[0.61 0.47]；
步骤40，局部GCN的可学习权重W＝[1.05]；
步骤50，局部时间注意力的可学习参数
Figure BDA00024705534100001910
Figure BDA00024705534100001911
U2＝[[0.02 0.01 0.04 0.05 0.01 0.03]]，U3＝[1.46]；
步骤60，卷积核参数为W＝[0.64 0.71]；
步骤70，可学习参数β＝0.33，r＝0.69。
步骤五，将步骤二所得到的测试样本作为步骤四所得到的基于图卷积网络的时空数据模型的输入，从而得到预测结果，包括以下步骤：
步骤A：将Stest样本集中每个样本的输入数据
Figure BDA0002470553410000201
和时空数据的邻接矩阵A作为模型的输入；
步骤B：模型前向执行，从而得到每一监测点的每个监测数据在预测时间点的预测结果。
在本实施例中，将测试样本集Stest＝(s1)中样本的输入数据
Figure BDA0002470553410000202
和时空数据的邻接矩阵A作为模型的输入：
Figure BDA0002470553410000203
Figure BDA0002470553410000204
步骤10，计算得到样本更新后的含有空间拓扑结构信息的输入数据
Figure BDA0002470553410000205
Figure BDA0002470553410000206
步骤20，计算得到样本的含有全局注意力的输入数据
Figure BDA0002470553410000207
步骤30，计算得到样本的每一监测点在预测时间点的全局预测结果。
Figure BDA0002470553410000211
步骤40，计算得到样本更新后的近期输入数据：
Figure BDA0002470553410000212
步骤50，计算得到样本的含有局部注意力的输入数据：
Figure BDA0002470553410000213
步骤60，计算得到样本的每一监测点在预测时间点的局部预测结果：
Figure BDA0002470553410000214
步骤70，计算得到最终预测结果，各监测点下一天预测的平均气温为
Figure BDA0002470553410000215
与实际情况相比，该预测结果的MSE值为：18.77，该指标表示所有监测点下一天平均气温的最终预测结果与实际结果之差平方的期望，反映了预测结果与实际结果之间的差异程度；RMSE值为：4.33，表示所有监测点下一天平均气温的最终预测结果与实际结果的均方根误差，反映了预测结果与实际结果之间的偏差；MAE值为：1.94，表示所有监测点下一天平均气温的最终预测结果与实际结果绝对误差的均值，更好的反映了预测结果与实际结果之间的偏离情况。以上三个指标均为越小越好，可以看出该模型可以对未来时空数据做出比较准确的预测。
时空数据的预测问题，即给定在空间中分布的监测点在一段时间范围内的监测数据，来预测这些监测点在未来可能会取得的监测数据。针对该问题，本发明提出了一种基于图卷积网络的时空数据预测方法。该方法用邻接矩阵来表示时空数据在空间维度上的邻接关系，通过图卷积网络来捕获其中的空间结构特征。使用时间注意力机制来得到时空数据间的时间相关性，并将该注意力机制分为全局和局部两个部分，分别用来捕获同一监测点在不同历史监测时间点间的时间相关性以及不同监测点在不同近期历史监测时间点间的时间相关性。使用扩张因果卷积结构来捕获时空数据中的时空依赖性。利用所捕获到的时空特征来预测每一监测点在预测时间点的监测数据。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (6)

1.一种基于图卷积网络的时空数据预测方法，其特征在于：包括以下步骤：
S1、获取时空数据作为预测任务的对象；
S2、对获取的时空数据进行处理，得到数据集作为样本；
S3、构建基于图卷积网络的时空数据模型；
S4、将步骤S2所得到的样本输入到步骤S3所构建模型中，执行训练算法，得到模型参数，确定基于图卷积网络的时空数据模型；
S5、输入待测时间和空间，执行基于图卷积网络的时空数据模型，得到预测结果。
2.根据权利要求1所述的基于图卷积网络的时空数据预测方法，其特征在于：步骤S2中对原始气象数据进行处理的步骤包括：
S21、对获取到的原始时空数据进行预处理：首先进行数据清理，得到时空数据，对时空数据进行处理，形成时空数据监测点；然后进行数据集成、数据变换；
S22、将步骤S21所得到的预处理后的数据划分为训练数据集、验证数据集和测试数据集；
S23、对所述训练数据集、验证数据集和测试数据集进行划分，得到训练数据样本集、验证数据样本集和测试数据样本集；
S24、获取时空数据中的空间拓扑结构信息：根据时空数据监测点的地理位置信息得到两两监测点间的距离，构建表示监测点间相邻关系的时空数据邻接矩阵。
3.根据权利要求1所述的基于图卷积网络的时空数据预测方法，其特征在于：构建所述时空数据模型的具体步骤为：
依次构建全局GCN层、全局时间注意力层、全局扩张因果卷积结构、局部GCN层、局部时间注意力层、局部扩张因果卷积结构、融合层。
4.根据权利要求1所述的基于图卷积网络的时空数据预测方法，其特征在于：步骤S4进行模型训练具体包括以下步骤：
S41、分别将所述训练数据样本集和验证数据集样本集中每个样本的输入数据和时空数据的邻接矩阵作为模型的输入，将对应的输出数据作为模型的输出标签数据，计算损失；
S42、采用随机梯度下降法学习算法进行迭代反向传播学习，迭代若干次或参数收敛，从而得到模型的所有参数，然后对模型进行固化。
5.根据权利要求1所述的基于图卷积网络的时空数据预测方法，其特征在于：将步骤S2所得到的测试数据集样本输入步骤S4得到的所述基于图卷积网络的时空数据模型，从而得到预测结果，包括以下步骤：
S51：将所述测试数据集样本中每个样本的输入数据和所述时空数据的邻接矩阵输入所述时空数据模型；
S52：模型前向执行，得到每一监测点在预测时间点的预测结果。
6.根据权利要求2所述的基于图卷积网络的时空数据预测方法，其特征在于：所述时空数据邻接矩阵构建方法为：所述对监测点间的距离
Figure FDA0002470553400000021
进行归一化处理，若归一化后的距离满足
Figure FDA0002470553400000022
的监测点对视为相邻监测点，然后构建邻接矩阵A，Dist是设定的距离阈值，
构建邻接矩阵A的公式如下：
Figure FDA0002470553400000023
Figure FDA0002470553400000024
式中，max(d)表示监测点间的最大距离，min(d)表示监测点间的最小距离。
CN202010347235.3A 2020-04-28 2020-04-28 一种基于图卷积网络的时空数据预测方法 Active CN111639787B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010347235.3A CN111639787B (zh) 2020-04-28 2020-04-28 一种基于图卷积网络的时空数据预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010347235.3A CN111639787B (zh) 2020-04-28 2020-04-28 一种基于图卷积网络的时空数据预测方法

Publications (2)

Publication Number Publication Date
CN111639787A true CN111639787A (zh) 2020-09-08
CN111639787B CN111639787B (zh) 2024-03-15

Family

ID=72330893

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010347235.3A Active CN111639787B (zh) 2020-04-28 2020-04-28 一种基于图卷积网络的时空数据预测方法

Country Status (1)

Country Link
CN (1) CN111639787B (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112071065A (zh) * 2020-09-16 2020-12-11 山东理工大学 一种基于全局扩散卷积残差网络的交通流预测方法
CN112463970A (zh) * 2020-12-16 2021-03-09 吉林大学 一种基于时间关系对文本包含的因果关系进行抽取的方法
CN112651577A (zh) * 2021-01-08 2021-04-13 重庆邮电大学 一种基于融合时空数据的隧道形变预测方法
CN112712169A (zh) * 2021-01-08 2021-04-27 中国科学院地理科学与资源研究所 基于图卷积的全残差深度网络的模型建立方法及应用
CN112910710A (zh) * 2021-02-08 2021-06-04 清华大学 网络流量时空预测方法、装置、计算机设备和存储介质
CN112910695A (zh) * 2021-01-22 2021-06-04 湖北工业大学 基于全局注意力时域卷积网络的网络故障预测方法
CN112926771A (zh) * 2021-02-22 2021-06-08 中国石油大学(华东) 一种基于改进的时空图卷积网络产油量预测方法及系统
CN113222265A (zh) * 2021-05-21 2021-08-06 内蒙古大学 物联网中移动多传感器空时数据预测方法及其系统
CN113345236A (zh) * 2021-06-11 2021-09-03 北京航空航天大学 一种基于Transformer网络的时空交通状态预测方法
CN113435662A (zh) * 2021-07-14 2021-09-24 中国石油大学(华东) 水驱油藏产量预测方法、装置及存储介质
CN113505536A (zh) * 2021-07-09 2021-10-15 兰州理工大学 一种优化的基于时空图卷积网络的交通流预测模型
CN113570859A (zh) * 2021-07-23 2021-10-29 江南大学 一种基于异步时空膨胀图卷积网络的交通流量预测方法
CN113744888A (zh) * 2021-09-02 2021-12-03 深圳万海思数字医疗有限公司 区域流行病趋势预测预警方法及系统
CN113743594A (zh) * 2021-09-30 2021-12-03 中国联合网络通信集团有限公司 网络流量预测模型建立方法、装置、电子设备及存储介质
CN114244873A (zh) * 2022-02-28 2022-03-25 深圳市千百炼科技有限公司 一种基于分布式任务调度的gfs气象数据分发、传输方法
WO2023123625A1 (zh) * 2021-12-31 2023-07-06 中国科学院深圳先进技术研究院 一种城市疫情时空预测方法、系统、终端以及存储介质

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2704065A1 (en) * 2012-08-06 2014-03-05 ATS Group (IP Holdings) Limited System and method for updating a data structure with sensor measurement data
CN109214592A (zh) * 2018-10-17 2019-01-15 北京工商大学 一种多模型融合的深度学习的空气质量预测方法
CN109285346A (zh) * 2018-09-07 2019-01-29 北京航空航天大学 一种基于关键路段的城市路网交通状态预测方法
CN109887282A (zh) * 2019-03-05 2019-06-14 中南大学 一种基于层级时序图卷积网络的路网交通流预测方法
CN110070715A (zh) * 2019-04-29 2019-07-30 浙江工业大学 一种基于Conv1D-NLSTMs神经网络结构的道路交通流预测方法
CN110263280A (zh) * 2019-06-11 2019-09-20 浙江工业大学 一种基于多视图的动态链路预测深度模型及应用
US20190312898A1 (en) * 2018-04-10 2019-10-10 Cisco Technology, Inc. SPATIO-TEMPORAL ANOMALY DETECTION IN COMPUTER NETWORKS USING GRAPH CONVOLUTIONAL RECURRENT NEURAL NETWORKS (GCRNNs)
US20190332942A1 (en) * 2016-12-29 2019-10-31 Zhejiang Gongshang University Method for generating spatial-temporally consistent depth map sequences based on convolution neural networks
WO2020010717A1 (zh) * 2018-07-13 2020-01-16 南京理工大学 一种基于时空相关性的短时交通流预测方法
CN110827544A (zh) * 2019-11-11 2020-02-21 重庆邮电大学 一种基于图卷积循环神经网络的短时交通流控制方法
CN110827543A (zh) * 2019-11-11 2020-02-21 重庆邮电大学 一种基于深度学习和时空数据融合的短时交通流控制方法
CN110929962A (zh) * 2019-12-13 2020-03-27 中国科学院深圳先进技术研究院 一种基于深度学习的交通流量预测方法及装置
CN110969854A (zh) * 2019-12-13 2020-04-07 深圳先进技术研究院 一种交通流量的预测方法、系统及终端设备
CN110991713A (zh) * 2019-11-21 2020-04-10 杭州电子科技大学 基于多图卷积和gru的不规则区域流量预测方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2704065A1 (en) * 2012-08-06 2014-03-05 ATS Group (IP Holdings) Limited System and method for updating a data structure with sensor measurement data
US20190332942A1 (en) * 2016-12-29 2019-10-31 Zhejiang Gongshang University Method for generating spatial-temporally consistent depth map sequences based on convolution neural networks
US20190312898A1 (en) * 2018-04-10 2019-10-10 Cisco Technology, Inc. SPATIO-TEMPORAL ANOMALY DETECTION IN COMPUTER NETWORKS USING GRAPH CONVOLUTIONAL RECURRENT NEURAL NETWORKS (GCRNNs)
WO2020010717A1 (zh) * 2018-07-13 2020-01-16 南京理工大学 一种基于时空相关性的短时交通流预测方法
CN109285346A (zh) * 2018-09-07 2019-01-29 北京航空航天大学 一种基于关键路段的城市路网交通状态预测方法
CN109214592A (zh) * 2018-10-17 2019-01-15 北京工商大学 一种多模型融合的深度学习的空气质量预测方法
CN109887282A (zh) * 2019-03-05 2019-06-14 中南大学 一种基于层级时序图卷积网络的路网交通流预测方法
CN110070715A (zh) * 2019-04-29 2019-07-30 浙江工业大学 一种基于Conv1D-NLSTMs神经网络结构的道路交通流预测方法
CN110263280A (zh) * 2019-06-11 2019-09-20 浙江工业大学 一种基于多视图的动态链路预测深度模型及应用
CN110827544A (zh) * 2019-11-11 2020-02-21 重庆邮电大学 一种基于图卷积循环神经网络的短时交通流控制方法
CN110827543A (zh) * 2019-11-11 2020-02-21 重庆邮电大学 一种基于深度学习和时空数据融合的短时交通流控制方法
CN110991713A (zh) * 2019-11-21 2020-04-10 杭州电子科技大学 基于多图卷积和gru的不规则区域流量预测方法
CN110929962A (zh) * 2019-12-13 2020-03-27 中国科学院深圳先进技术研究院 一种基于深度学习的交通流量预测方法及装置
CN110969854A (zh) * 2019-12-13 2020-04-07 深圳先进技术研究院 一种交通流量的预测方法、系统及终端设备

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
BING YU: "Spatio-Temporal Graph Convolutional Networks:A Deep Learning Framework", 《ARXIV: 1709. 04875V4》, pages 1 - 4 *
CHAO SONG: "Spatial-Temporal Synchronous Graph Convolutional Networks: A New Framework for Spatial-Temporal Network Data Forecasting", 《THE THIRTY-FOURTH AAAI CONFERENCE ON ARTIFICIAL INTELLIGENCE》, pages 3 - 7 *
HUI ZHANG: "Direct measure of local region functional connectivity by multivariate correlation technique", 《2007 29TH ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE AND BIOLOGY SOCIETY》, 22 October 2007 (2007-10-22) *
KE-JIA CHEN: "Exploiting Transfer Learning With Attention for In-Domain Top-N Recommendation", 《IEEE ACCESS ( VOLUME: 7)》, 4 December 2019 (2019-12-04) *
孟妮娜;王安东;周校东;: "建筑物线型排列模式识别的图卷积神经网络方法", 测绘科学技术学报, no. 06 *
韩卫国: "区域交通流的时空预测与分析", 《公路交通科技》 *

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112071065A (zh) * 2020-09-16 2020-12-11 山东理工大学 一种基于全局扩散卷积残差网络的交通流预测方法
CN112463970A (zh) * 2020-12-16 2021-03-09 吉林大学 一种基于时间关系对文本包含的因果关系进行抽取的方法
CN112651577B (zh) * 2021-01-08 2022-03-22 重庆邮电大学 一种基于融合时空数据的隧道形变预测方法
CN112651577A (zh) * 2021-01-08 2021-04-13 重庆邮电大学 一种基于融合时空数据的隧道形变预测方法
CN112712169A (zh) * 2021-01-08 2021-04-27 中国科学院地理科学与资源研究所 基于图卷积的全残差深度网络的模型建立方法及应用
CN112910695A (zh) * 2021-01-22 2021-06-04 湖北工业大学 基于全局注意力时域卷积网络的网络故障预测方法
CN112910695B (zh) * 2021-01-22 2022-07-19 湖北工业大学 基于全局注意力时域卷积网络的网络故障预测方法
CN112910710A (zh) * 2021-02-08 2021-06-04 清华大学 网络流量时空预测方法、装置、计算机设备和存储介质
CN112910710B (zh) * 2021-02-08 2022-04-01 清华大学 网络流量时空预测方法、装置、计算机设备和存储介质
CN112926771A (zh) * 2021-02-22 2021-06-08 中国石油大学(华东) 一种基于改进的时空图卷积网络产油量预测方法及系统
CN112926771B (zh) * 2021-02-22 2022-10-25 中国石油大学(华东) 一种基于改进的时空图卷积网络产油量预测方法及系统
CN113222265A (zh) * 2021-05-21 2021-08-06 内蒙古大学 物联网中移动多传感器空时数据预测方法及其系统
CN113345236A (zh) * 2021-06-11 2021-09-03 北京航空航天大学 一种基于Transformer网络的时空交通状态预测方法
CN113505536A (zh) * 2021-07-09 2021-10-15 兰州理工大学 一种优化的基于时空图卷积网络的交通流预测模型
CN113435662A (zh) * 2021-07-14 2021-09-24 中国石油大学(华东) 水驱油藏产量预测方法、装置及存储介质
CN113570859B (zh) * 2021-07-23 2022-07-22 江南大学 一种基于异步时空膨胀图卷积网络的交通流量预测方法
CN113570859A (zh) * 2021-07-23 2021-10-29 江南大学 一种基于异步时空膨胀图卷积网络的交通流量预测方法
CN113744888A (zh) * 2021-09-02 2021-12-03 深圳万海思数字医疗有限公司 区域流行病趋势预测预警方法及系统
CN113744888B (zh) * 2021-09-02 2023-09-22 深圳万海思数字医疗有限公司 区域流行病趋势预测预警方法及系统
CN113743594A (zh) * 2021-09-30 2021-12-03 中国联合网络通信集团有限公司 网络流量预测模型建立方法、装置、电子设备及存储介质
CN113743594B (zh) * 2021-09-30 2023-12-05 中国联合网络通信集团有限公司 网络流量预测模型建立方法、装置、电子设备及存储介质
WO2023123625A1 (zh) * 2021-12-31 2023-07-06 中国科学院深圳先进技术研究院 一种城市疫情时空预测方法、系统、终端以及存储介质
CN114244873A (zh) * 2022-02-28 2022-03-25 深圳市千百炼科技有限公司 一种基于分布式任务调度的gfs气象数据分发、传输方法
CN114244873B (zh) * 2022-02-28 2022-05-13 深圳市千百炼科技有限公司 一种基于分布式任务调度的gfs气象数据分发、传输方法

Also Published As

Publication number Publication date
CN111639787B (zh) 2024-03-15

Similar Documents

Publication Publication Date Title
CN111639787A (zh) 一种基于图卷积网络的时空数据预测方法
CN110738252B (zh) 空间自相关的机器学习卫星降水数据降尺度方法、系统
US11714937B2 (en) Estimating physical parameters of a physical system based on a spatial-temporal emulator
US11966670B2 (en) Method and system for predicting wildfire hazard and spread at multiple time scales
CN105243435B (zh) 一种基于深度学习元胞自动机模型的土壤含水量预测方法
CN112200358B (zh) 一种滑坡等级预测方法、装置、设备和存储介质
CN113496104B (zh) 基于深度学习的降水预报订正方法及系统
US11720727B2 (en) Method and system for increasing the resolution of physical gridded data
CN112200362B (zh) 一种滑坡的预测方法、装置、设备和存储介质
CN112200354A (zh) 一种滑坡的预测方法、装置、设备和存储介质
CN113253364B (zh) 一种对站点风速预报结果进行订正的方法及装置
CN113610286B (zh) 顾及时空相关性和气象因素的pm2.5浓度预测方法及装置
CN114943365A (zh) 融合多源数据的降水估测模型建立方法及降水估测方法
CN115271181A (zh) 一种基于多模态数据融合的台风概率预报智能方法及装置
CN115545334A (zh) 土地利用类型预测方法、装置、电子设备及存储介质
CN116415730A (zh) 一种预测水位的融合自注意力机制时空深度学习模型
CN114723188A (zh) 水质预测方法、装置、计算机设备和存储介质
Thamilselvan et al. An Extensive Review of Rainfall Prediction using Machine Learning and Deep Learning Techniques
CN115829163B (zh) 基于多模式集成的长江中下游流域径流预测方法和系统
Shrestha et al. Encapsulation of parametric uncertainty statistics by various predictive machine learning models: MLUE method
CN116777079A (zh) 一种基于贝叶斯层间结构模型的沙漠化侵扰灾害预测方法
CN116720156A (zh) 基于图神经网络多模态气象数据融合的气象要素预报方法
CN113761806B (zh) 一种基于神经网络的大气能见度预测方法
CN112200355B (zh) 一种滑坡的预测方法、装置、设备和存储介质
Loosvelt Assessment of uncertainty in land surface characterization and implications for spatially distributed hydrological modelling

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant