Graph WaveNet für tiefes räumlich-zeitliches Graphenmodellierung

Die räumlich-zeitliche Graphenmodellierung ist eine wichtige Aufgabe zur Analyse der räumlichen Beziehungen und zeitlichen Trends von Komponenten in einem System. Bestehende Ansätze erfassen in der Regel die räumliche Abhängigkeit auf einer festen Graphenstruktur, unter der Annahme, dass die zugrunde liegende Beziehung zwischen den Entitäten vorbestimmt ist. Allerdings spiegelt die explizite Graphenstruktur (Beziehung) nicht unbedingt die wahre Abhängigkeit wider, und echte Beziehungen können aufgrund unvollständiger Verbindungen in den Daten fehlen. Darüber hinaus sind bestehende Methoden ineffektiv bei der Erfassung zeitlicher Trends, da die in diesen Methoden verwendeten RNNs oder CNNs lange zeitliche Sequenzen nicht erfassen können. Um diese Einschränkungen zu überwinden, schlagen wir in diesem Artikel eine neuartige Graph-Neuronalnetz-Architektur, das Graph WaveNet, für die räumlich-zeitliche Graphenmodellierung vor. Durch die Entwicklung einer neuen adaptiven Abhängigkeitsmatrix und das Lernen dieser Matrix durch Knoteneinbettung kann unser Modell die verborgene räumliche Abhängigkeit in den Daten präzise erfassen. Mit einem gestapelten 1D-Faltungskomponenten, dessen Rezeptionsfeld exponentiell mit der Anzahl der Schichten wächst, ist Graph WaveNet in der Lage, sehr lange Sequenzen zu verarbeiten. Diese beiden Komponenten werden nahtlos in einem einheitlichen Framework integriert, und das gesamte Framework wird end-to-end gelernt. Experimentelle Ergebnisse anhand zweier öffentlicher Verkehrsnetzdatensätze, METR-LA und PEMS-BAY, zeigen die überlegene Leistungsfähigkeit unseres Algorithmus.