基于图神经网络的时空预测
本文刊登于2020年11月第70期《超图通讯》
时空数据蕴含着巨大的应用价值,对时空数据的智能分析和预测是智慧城市和空间大数据领域中的重要问题。有效挖掘时空数据中的时空规律和知识,对智能交通、城市规划、公共安全和环境保护等方面都至关重要。然而,因为时空数据存在噪声多、特征复杂等特点,时空数据的预测建模一直是很有挑战性的难题。
近年来,空间大数据获取手段日趋多样,可获得的数据规模越来越大。如何从这些海量、非线性、高维和高噪声的时空数据中挖掘有价值的规律,进而指导各行各业应用,则需要科学有效的时空预测方法。
在交通流预测、气象预报、空气质量预测等领域,基于图神经网络的时空预测模型已取得不错成果,成为众多领域的主流方法。本文将基于交通流预测的应用,介绍基于图神经网络的时空预测。
什么是图结构
简单说,图神经网络是在图结构上的深度学习。所以,要了解图神经网络,就要先了解什么是图结构。
图结构一般由节点和边组成,是一种重要的数学模型,可以应用于许多领域的问题建模。以城市地铁线路为例,每个地铁站都是一个节点,相邻地铁站之间的连接就是边。输入起点和终点,我们可以计算出最佳换乘路线。
在搜索引擎中,可以把每一个网站的每个页面都视为图上的一个节点,页面间的链接视为图上的边。该页面被越多的其它页面引用,即其入边越多,则页面质量越高,搜索结果的排名也就越靠前。
图1 网页节点和链接构成的图结构(Klicpera J and Bojchevski A 2019)
图2 交通网络上的复杂结构
为什么需要图神经网络
近年来,以卷积神经网络为代表的深度学习技术的兴起,推动了模式识别和数据挖掘的研究。许多过去严重依赖人工特征提取的机器学习任务(如目标检测、机器翻译、语音识别等),已经被卷积神经网络(CNN)、长短时记忆(LSTM)和自动编码器等各种端到端的深度学习技术彻底改变,且都取得了不错的应用效果。
但另一方面,传统的深度学习方法在处理非欧几里德空间数据方面的表现仍然不尽如人意。例如,基于图的推荐系统可以利用用户和产品之间的交互作用来做出非常准确的推荐,但是图的复杂性使得传统的深度学习方法面临很大的挑战。一方面因为图是不规则的,每个节点在图中有不同数量的相邻节点,导致一些图上很容易计算的操作(如卷积)不适合直接在图中使用。另一方面,现有深度学习算法的核心假设是数据样本之间相互独立。然而,对于图结构来说,每个数据样本(节点)都有与图中其他数据样本(节点)相关的边。
近年来,对图的深度学习方法研究逐渐兴起,研究人员借鉴卷积网络、循环网络和深度自动编码器的思想,设计了一种面向图的神经网络结构 —— 图神经网络(GNN),将图神经网络应用到时空回归分析中的模型,可以称之为图时空回归。
图神经网络在交通流预测中的应用
基于人工智能的时空预测方法,将卷积神经网络(CNN)与循环神经网络(RNN)有机结合,用 CNN 模拟的空间相关性,以及 RNN 模拟时间序列的特征,两者结合可以建模复杂的时空关系。虽然传统的 CNN 可以有效提取数据的局部空间特征,但只能模拟标准的格网数据,而图神经网络可以直接在图结构上进行特征学习和预测。
基于图神经网络的时空预测方法,通过将时空数据图上的结点,直接在图结构上进行时空关系的模拟,在复杂的空间关系中,能取得比传统 CNN+RNN 方法更好的预测效果。
以交通流预测为例,道路网络中的不同路段的行驶车辆速度和拥挤程度,不单与空间位置相关,与道路网络上的交通临近度更相关。传统的 CNN 方法无法有效学习空间上非均匀的空间相关性,而交通网络这种复杂的结构,可以天然地抽象为一种具体的图结构(图 2)。因此,基于图神经网络的交通流预测,成为时空预测中的重要研究方向。
如图 3 所示,图神经网络将交通路网中的每个传感器视为图上的一个节点,传感器获取的不同时间车速信息视为图上的信号,结合 RNN 的序列对图上的信号进行建模,构建图时空信号的时空序列模型如图 3 所示:
图3 图信号的时空序列(Li Y, Yu R, et al 2018)
SuperMap GIS产品支持情况
SuperMap GIS产品支持图时空回归的时空预测。如图 4所示,该功能通过对图上信号进行双向扩散卷积建模,并通过RNN序列建模对时空序列信息进行建模。目前,SuperMap GIS产品中集成了图时空回归模型训练与模型推理功能。
图4 图神经网络模型架构图(Li Y, Yu R, et al 2018)
基于图时空回归功能,SuperMap的GeoAI技术和产品能够为智慧城市和智能交通管理提供实时科学的决策依据(图 5)。
智能交通是智慧城市平台中的一个重要应用,一个完整的智慧城市系统,需要整合整个城市的时空大数据,并对其进行全区域、近实时的分析、预测、管理和调度。SuperMap的GIS基础平台的时空数据管理能力,与GeoAI的图神经网络时空预测技术相结合,将会为智能交通系统提供全面的基础技术支撑 , 推动智慧城市地理智能应用的发展。
图5 基于图时空回归的交通流预测
参考文献:
[1]Klicpera J, Bojchevski A, GünnemannS (2019) Predict then propagate: Graph neural networks meet personalized PageRank. In:7th International Conference on Learning Representations, ICLR 2019
[2]Li Y, Yu R, Shahabi C, Liu Y (2018) Diffusion Convolutional
Recurrent Neural Network: Data-Driven Traffic Forecasting.In:
International Conference on Learning Representations (ICLR ’18). pp 1–16
基于图神经网络的时空预测相关推荐
- 人大赵鑫:基于图神经网络,建模知识图谱
报告 | 赵 鑫 撰文 | 熊宇轩 我这里主要给大家介绍一下利用图神经网络能做一些什么事情,这里面主要关注知识图谱的建模与应用. 在本次报告中,我们将从三个方面介绍基于图神经网络的知识建模与应用: ...
- MILA研究院唐建:基于图神经网络的关系推理(附视频)
2020 北京智源大会 本文属于2020北京智源大会嘉宾演讲的整理报道系列.北京智源大会是北京智源人工智能研究院主办的年度国际性人工智能高端学术交流活动,以国际性.权威性.专业性和前瞻性的" ...
- ICLR 2022 | 香侬科技提出基于图神经网络的语义理解模型,获单项满分
©作者 | 香侬科技 来源 | 香侬科技 近日,深度学习国际顶级会议ICLR 2022向作者公布了论文录用结果.香侬科技3篇论文被大会收录,研究内容覆盖通用自然语义理解.NLP神经网络模型安全性.自动 ...
- SIGIR 2019 开源论文 | 基于图神经网络的协同过滤算法
作者丨纪厚业 单位丨北京邮电大学博士生 研究方向丨异质图神经网络,异质图表示学习和推荐系统 引言 协同过滤作为一种经典的推荐算法在推荐领域有举足轻重的地位.协同过滤(collaborative fil ...
- 【GNN报告】Mila实验室/蒙特利尔大学朱兆成:基于图神经网络的知识图谱推理
目录 1.简介 2.Human Memories as Repositories of Events: Event Graph Knowledge Acquisition 背景 2022 CVPR C ...
- 顶会CIKM‘21论文解读:基于图神经网络的人类行为轨迹恢复模型
摘要:本文是由华为云数据库创新Lab联合电子科技大学数据与智能实验室发表在顶会CIKM'21的文章,该文章提出首个克服人类移动轨迹数据中普遍存在的多层次周期性.周期偏移现象以及数据稀疏问题的轨迹恢复模 ...
- 论文阅读|基于图神经网络的配电网故障定位方法
来源:北京交通大学硕士学位论文,2022 摘要 电网拓扑形态多样,重构场景频繁,,传统故障定位方法的单一阈值设定无法满足要求,基于人工智能的配电网故障定位技术具有很大的应用潜力,但仍存在着拓扑关联性差 ...
- 图神经网络基础--基于图神经网络的节点表征学习
图神经网络基础–基于图神经网络的节点表征学习 引言 在图节点预测或边预测任务中,首先需要生成节点表征(Node Representation).我们使用图神经网络来生成节点表征,并通过基于监督学习的对 ...
- 论文阅读:基于图神经网络的分类法自动更新模型
Evolving Taxonomy Based on Graph Neural Networks 摘要 分类法是人类对领域知识的理解和组织.在这个知识爆炸的世界中,如何自动进化分类法变得至关重要.在本 ...
- [论文阅读] (27) AAAI20 Order Matters: 基于图神经网络的二进制代码相似性检测(腾讯科恩实验室)
<娜璋带你读论文>系列主要是督促自己阅读优秀论文及听取学术讲座,并分享给大家,希望您喜欢.由于作者的英文水平和学术能力不高,需要不断提升,所以还请大家批评指正,非常欢迎大家给我留言评论,学 ...
最新文章
- 百万人学AI:CSDN重磅共建人工智能技术新生态
- 示波器探头×1和×10的意义
- 不喜欢冷漠,喜欢笑容、热情和拥抱
- python自动化工具_Python啥都行_Robot自动化测试
- Python程序开发——第八章 文件
- mysql html 转义_HTML/Mysql/XML 转义字符,备查
- linux java运行环境_linux(centos)中java运行环境_jdk安装与配置 | OPS技术联盟
- python全局名称空间_21、Python之名称空间与作用域
- QT绘制同心扇形(Paintevent实现)
- 微信小程序中使用阿里ICON图标
- python中一元二次方程的判别式_一元二次方程根的判别式知识点
- 深圳海伊视讯布控球成功对接海康萤石云平台安装调式
- 批量转换——颜色代码(16进制)与RGB
- (附源码)小程序记账微信小程序 毕业设计180815
- codeforces1375G Tree Modification
- 一些开源库,提高开发效率
- 移动UI 设计有哪些色彩级别
- ISCC web题复现
- 江苏省昆山市软件公司汇总
- HTML5<meter>标签