Raum-Zeit-synchrone Graph-Convolutional Netzwerke: Ein neues Framework für die Vorhersage von raumzeitlichen Netzwerkdaten

Die Vorhersage räumlich-zeitlicher Netzwerkdaten ist für eine Vielzahl von Anwendungen im Bereich Verkehrsmanagement und Stadtplanung von großer Bedeutung. Allerdings erschwert die zugrundeliegende komplexe räumlich-zeitliche Korrelation sowie die Heterogenität die Lösung dieses Problems. Bisherige Methoden verwenden in der Regel getrennte Komponenten zur Erfassung räumlicher und zeitlicher Korrelationen und ignorieren dabei die Heterogenitäten in räumlich-zeitlichen Daten. In diesem Artikel stellen wir ein neuartiges Modell namens Spatial-Temporal Synchronous Graph Convolutional Networks (STSGCN) für die Vorhersage räumlich-zeitlicher Netzwerkdaten vor. Das Modell kann durch eine sorgfältig entworfene räumlich-zeitliche Synchronisationsmodellierung effektiv komplexe, lokal begrenzte räumlich-zeitliche Korrelationen erfassen. Gleichzeitig sind im Modell mehrere Module für unterschiedliche Zeiträume vorgesehen, um die Heterogenitäten in lokal begrenzten räumlich-zeitlichen Graphen effektiv zu erfassen. Umfangreiche Experimente wurden auf vier realen Datensätzen durchgeführt, wodurch gezeigt wird, dass unsere Methode die derzeit beste Leistung erzielt und konsistent andere Baseline-Verfahren übertrifft.