ST-UNet: Ein räumlich-zeitliches U-Netzwerk für die Modellierung von graphstrukturierten Zeitreihen

Das räumlich-zeitliche Graphenlernen wird zu einem zunehmend wichtigen Objekt der Graphenforschung. Viele Anwendungsbereiche beinhalten hochdynamische Graphen, bei denen zeitliche Informationen entscheidend sind, wie zum Beispiel Verkehrsnetze und Finanztransaktionsgraphen. Trotz ständiger Fortschritte im Lernen strukturierter Daten fehlen effektive Methoden zur Extraktion dynamischer komplexer Merkmale aus räumlich-zeitlichen Strukturen. Insbesondere sind herkömmliche Modelle wie Faltungsnetze oder rekurrente Neuronale Netze nicht in der Lage, zeitliche Muster sowohl auf kurze als auch auf lange Sicht und räumliche Eigenschaften sowohl lokal als auch global gleichzeitig aus räumlich-zeitlichen Graphen zu erkennen. Um dieses Problem anzugehen, haben wir eine neuartige Multi-Skalen-Architektur, die Räumlich-Zeitliche U-Net (Spatio-Temporal U-Net, ST-UNet), für das Modellieren von graphstrukturierten Zeitreihen entwickelt. In diesem U-förmigen Netzwerk wurde eine gepaarte Abtastoperation im Raum-Zeit-Bereich vorgeschlagen: Der Pooling-Vorgang (ST-Pool) vergröbert den Eingabegraphen räumlich durch seine deterministische Partitionierung und abstrahiert mehrskalige zeitliche Abhängigkeiten durch verdünnte rekurrente Übersprungskopplungen; basierend auf den vorherigen Einstellungen im Downsampling stellt der Unpooling-Vorgang (ST-Unpool) die ursprüngliche Struktur von räumlich-zeitlichen Graphen wieder her und setzt regelmäßige Intervalle innerhalb von Graphensequenzen fort. Experimente anhand von räumlich-zeitlichen Vorhersageaufgaben zeigen, dass unser Modell umfassende Merkmale in mehreren Skalen effektiv erfasst und erhebliche Verbesserungen gegenüber etablierten Methoden auf mehreren realweltlichen Datensätzen erzielt.