时间序列图神经网络是一种结合了图神经网络和时间序列分析的方法，用于对动态系统中的数据进行建模和预测。与传统的时间序列模型不同，图神经网络可以有效地捕捉时间序列数据中的时序信息和模式，并进行预测和分类。

作为一种新兴的研究领域，时间序列GNN具有广泛的应用前景，它可以应用于各种实际问题，如股票价格预测、交通流量预测、电力需求预测等。

今年有关它应用方面的研究也有了新的进展，学姐简单整理了一些，这就来和大家分享啦~主要涉及医疗保健、智能交通、环境、物联网等领域。

扫码添加小享，回复“时序GNN”

免费领取全部论文+代码合集

医疗保健

1.Self-supervised learning for anomalous channel detection in eeg graphs: Application to seizure analysis

用于EEG图中异常通道检测的自监督学习

简述：论文提出了一种在EEG图中进行自我监督学习的方法，用于检测癫痫发作的通道和片段，而不需要使用标记的癫痫发作数据。该方法考虑了EEG图中的局部结构和上下文信息，通过使用正面和负面的子图进行训练，性能优于其他方法。

智能交通

2.Spatio-Temporal Meta-Graph Learning for Traffic Forecasting

用于交通预测的时空元图学习

简述：这篇文章提出了一个用于交通预测的新方法——时空元图学习。这种方法能够处理交通流中的时空异质性和非平稳性问题。它被嵌入到一种叫做MegaCRN的模型中，这种模型能够更好地对交通数据进行编码和解码。文章在三个不同的数据集上测试了这个模型，结果都优于其他现有的方法。此外，还证明了这个模型能够适应各种异常交通情况。

3.Dynamic graph convolutional recurrent imputation network for spatiotemporal traffic missing data

用于时空交通缺失数据动态图卷积循环填充网络

简述：论文提出了一种新的深度学习架构——动态图卷积递归插补网络（DGCRIN），用于插补时空交通数据中的缺失数据。该架构通过动态图卷积和门控循环单元精细建模道路网络的动态时空依赖性，并学习数据的缺失模式信息。引入辅助GRU和带有衰减机制的融合层以融合多样化信息。

4.Bidirectional spatial–temporal traffic data imputation via graph attention recurrent neural network

通过图注意力循环神经网络实现双向时空交通数据填充

简述：这篇文章提出了一种新的模型——图注意力循环神经网络（GARNN），用于插补交通数据中的缺失数据。该模型使用LSTMs对观察数据和缺失数据进行建模，并应用衰减机制和图注意力网络来学习时间步之间的相互依赖关系并捕捉空间相关性。最终，将时间估计和空间估计整合到最终的插补结果中。

5.Memory-augmented dynamic graph convolution networks for traffic data imputation with diverse missing patterns

用于具有多种缺失模式的交通数据填充的记忆增强动态图卷积网络

简述：智能交通系统中的交通数据存在缺失问题。我们提出了一种新的深度学习框架——MDGCN，它使用循环层和图卷积层来捕获时间和空间信息，并通过外部记忆网络共享全局信息。实验结果表明，该模型在各种缺失情况下都优于其他方法，可以有效插补缺失的交通数据。

6.STGSA: A Novel Spatial-Temporal Graph Synchronous Aggregation Model for Traffic Prediction

一种用于交通预测的新型时空图同步聚合模型

简述：智能交通系统需要准确预测来成功。论文提出了STGSA模型，它能够同时提取空间和时间信息。该模型采用定制的图聚合方法和时间相关性图。作者还添加了一个多流模块来获取全局信息，并使用多头注意力机制。实验证明，该模型在真实数据集上表现优秀。

7.Spatial–Temporal Complex Graph Convolution Network for Traffic Flow Prediction

交通流预测的时空复杂图卷积网络

简述：交通流预测是智能交通的关键，但现有模型忽略了交通节点间的关联和外部干扰。为此，作者提出了一种新的时空复杂图卷积网络（ST-CGCN）方法。首先，作者根据地理位置、历史数据和外部干扰创建了多个矩阵。接着，融合这些矩阵，并用动态权重改进了空间-时间特征和外部因素的联合建模能力。然后，作者设计了一个空间特征提取模块和一个时间特征提取模块来捕捉动态特征。

8.Long Short-Term Fusion Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting

用于交通流量预测的长短期融合时空图卷积网络

简述：交通流量预测对智能交通至关重要，但现有方法难以同时处理空间和时间依赖性。为此，论文提出了一种名为LSTFGCN的新模型，它能够同步提取空间-时间特征并捕获长短期依赖性。实验证明，该方法在多个公共数据集上表现优于其他模型。

9.Traffic Flow Forecasting in the COVID-19: A Deep Spatial-Temporal Model Based on Discrete Wavelet Transformation

基于离散小波变换的深层时空模型

简述：本文提出了一种基于离散小波变换的深度时空交通流预测模型，以解决新冠疫情下交通流数据高度离散和非规律性的问题。该模型将交通流分解为离散属性，并将交通网络的空间关系设计为图，使用图卷积网络和时间卷积网络计算节点的空间和时序相关性。同时，提出一种图记忆网络来处理离散幅度，并使用逆离散小波变换获得最终的交通流预测结果。

10.Trajectory prediction for autonomous driving based on multiscale spatial‐temporal graph

基于多尺度时空图的自动驾驶轨迹预测

简述：本文提出了一种基于多尺度时空图的轨迹预测框架，以解决现有方法在处理不同时间尺度下的行为交互时存在的局限性。该框架通过在不同时间尺度上堆叠空间-时间层来捕捉周围异构交通参与者的轨迹。作者设计了三种不同的邻接矩阵来捕获更真实的空间依赖性，并开发了一种新颖的扩张时域卷积来处理时域依赖性。

11.Predictive Neural Motion Planner for Autonomous Driving Using Graph Networks

使用图网络的自动驾驶预测神经网络运动规划器

简述：本文研究了使用深度神经网络实现自动驾驶车辆轨迹预测的运动规划。作者使用神经网络作为传统规划器的近似值，并考虑了自车和周围代理的当前状态以及共享地图。作者还研究了历史状态、周围代理的未来运动和预测对规划性能的影响。

12.SAT-GCN: Self-attention graph convolutional network-based 3D object detection for autonomous driving

基于自注意力图卷积网络的自动驾驶3D目标检测

简述：本文提出了一种用于从点云中进行3D物体检测的自注意力图卷积网络（SAT-GCN），该网络可以增强语义表示，提高检测精度。在广泛使用的基准上进行实验，结果表明SAT-GCN可以显著提高现有方法的检测精度，并且对实时性能和模型参数的影响有限。

扫码添加小享，回复“时序GNN”

免费领取全部论文+代码合集

13.Large-Scale Traffic Data Imputation with Spatiotemporal Semantic Understanding

基于时空语义理解的大规模交通数据插补

简述：本文提出了一种用于交通数据补全的图变换器模型（GT-TDI），该模型通过引入语义描述来捕捉道路网络的时空相关性，从而对大规模交通数据进行补全。具体来说，该模型引入了包含交通数据的全局空间和时间信息的语义描述，以帮助GT-TDI模型在网络级别上捕捉时空相关性。该模型将不完整数据、传感器的社会连接性和语义描述作为输入，并借助图神经网络和Transformer执行补全任务。

按需服务

14.A graph-attention based spatial-temporal learning framework for tourism demand forecasting

基于图形注意力的旅游需求预测时空学习框架

简述：本文提出了一种基于图注意力的时空学习框架，用于旅游需求预测。该框架通过构建一个动态权重多维图来嵌入多个显式动态空间连接，并提供节点属性序列以学习隐式动态空间连接。进一步地，作者提出了一种异质时空图注意力网络（HSTGANet），可以有效地处理显式和隐式动态空间连接、学习高维时空特征并预测旅游需求。

15.On region-level travel demand forecasting using multi-task adaptive graph attention network

基于多任务自适应图注意力网络的区域旅游需求预测

简述：本文提出了一种多任务自适应循环图注意力网络，用于区域级出行需求预测。该网络结合了先验知识驱动的图学习机制和新颖的循环图注意力网络，以自动捕捉动态时空依赖关系。根据区域功能分布将需求预测分为不同的学习任务，并开发了一种基于不确定性的多任务学习组件来协调多个学习任务。

环境与可持续能源

16.Condition monitoring of wind turbines with the implementation of spatio-temporal graph neural network

基于时空图神经网络的风力发电机组状态监测

简述：风力发电机组的运行状态监测很重要，但现有的深度学习方法只能处理特定类型的数据，且忽略了风力发电机组多传感器网络的空间属性。为了解决这个问题，作者提出了一种新的监测网络，叫做时空图神经网络。这个新方法可以处理更广泛的数据类型，并考虑到风力发电机组的连通性和全局性。

17.Cost-effective fault diagnosis of nearby photovoltaic systems using graph neural networks

使用图神经网络对附近光伏系统进行经济高效的故障诊断

简述：本文提出了一种基于图神经网络的光伏系统故障诊断模型，可以在没有传感器的情况下监测多个光伏系统的电流和电压产量。通过比较过去24小时内的产量，该模型可以准确检测和识别6种常见故障的早期发生。实验结果表明，该模型比现有的两种模型更准确，并且可以推广到未训练过的光伏系统。

18.Maximising Weather Forecasting Accuracy through the Utilisation of Graph Neural Networks and Dynamic GNNs

通过利用图神经网络和动态GNN提高天气预报准确性

简述：本文研究了利用图神经网络（GNN）和传统机器学习模型进行天气预报的效果。天气预测是应对全球气候变化的重要任务，需要分析由异构气象传感器生成的多变量数据。这些传感器包括地面传感器、无线电探空仪和安装在卫星上的传感器等。为了分析这些传感器生成的数据，作者使用基于图神经网络的天气预测模型。

19.Spatiotemporal air pollution forecasting in houston-TX: a case study for ozone using deep graph neural networks

使用深度图神经网络进行臭氧的案例研究

简述：本文提出了一种基于图神经网络的模型，用于预测臭氧浓度。该模型使用德克萨斯州休斯顿的数据进行训练和测试，并考虑了不同数量的时间延迟、预测范围和输入数据等因素。结果表明，该模型比基准持续模型提高了预测性能，并且产生的误差水平较低。此外，根据EPA规定，该模型还确定了参考站未达标的条件。

物联网

20.Who You Play Affects How You Play: Predicting Sports Performance Using Graph Attention Networks With Temporal Convolution

使用具有时间卷积的图形注意力网络预测运动表现

简述：本文提出了一种名为GATv2-GCN的深度学习方法，用于预测体育运动员的表现。该方法利用球员统计数据和比赛中的互动构建动态的运动员互动图，并使用图注意力网络来捕捉每个运动员对其他运动员的注意力，从而更准确地模拟动态的运动员互动。通过使用真实的体育数据评估模型的性能，证明了其在预测球员表现方面的有效性。

扫码添加小享，回复“时序GNN”

免费领取全部论文+代码合集