主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公English
2022年专刊出版计划 微信服务介绍 最新一期:2021年第4期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
姜山,丁治明,朱美玲,严瑾,徐馨润.面向时空图建模的图小波卷积神经网络模型.软件学报,2021,32(3):726-741
面向时空图建模的图小波卷积神经网络模型
Graph Wavelet Convolutional Neural Network for Spatiotemporal Graph Modeling
投稿时间:2020-05-24  修订日期:2020-09-03
DOI:10.13328/j.cnki.jos.006170
中文关键词:  图小波卷积  图卷积神经网络  时空图建模  时空结构  图神经网络
英文关键词:graph wavelet convolution  graph convolution neural network  spatiotemporal graph modeling  spatiotemporal structure  graph neural network
基金项目:国家自然科学基金(61703013,91646201);北京市自然科学基金(4192004)
作者单位E-mail
姜山 中国科学院大学, 北京 100049
中国科学院 软件研究所, 北京 100190 
 
丁治明 中国科学院 软件研究所, 北京 100190
大规模流数据集成与分析技术北京市重点实验室, 北京 100190 
zhiming@iscas.ac.cn 
朱美玲 中国科学院 软件研究所, 北京 100190  
严瑾 中国科学院大学, 北京 100049
中国科学院 软件研究所, 北京 100190 
 
徐馨润 中国科学院大学, 北京 100049
中国科学院 软件研究所, 北京 100190 
 
摘要点击次数: 674
全文下载次数: 417
中文摘要:
      时空图建模是分析图形结构系统中各要素空间关系与时间趋势的一个基础工作.传统的时空图建模方法主要基于图中节点与节点关系固定的显式结构进行空间关系挖掘,这严重限制了模型的灵活性.此外,未考虑节点间的时空依赖关系的传统建模方法不能捕获节点间的长时时空趋势.为了克服这些缺陷,研究并提出了一种新的用于时空图建模的图神经网络模型,即面向时空图建模的图小波卷积神经网络模型(graph wavelet convolutional neural network for spatiotemporal graph modeling,简称GWNN-STGM).在GWNN-STGM中设计了一个图小波卷积神经网络层,并在该网络层中设计并引入了自适应邻接矩阵进行节点嵌入学习,使得模型能够在不需要结构先验知识的情况下,从数据集中自动发现隐藏的结构信息.此外,GWNN-STGM还包含了一个堆叠的扩张因果卷积网络层,使模型的感受野能够随着卷积网络层数的增加呈指数增长,从而能够处理长时序列.GWNN-STGM成功将图小波卷积神经网络层和扩张因果卷积网络层两个模块进行有效集成.通过在公共交通网络数据集上实验发现,提出的GWNN-STGM的性能优于其他的基准模型,这表明设计的图小波卷积神经网络模型在从输入数据集中探索时空结构方面具有很大的潜力.
英文摘要:
      The spatiotemporal graph modeling is a basic work to analyze the spatial relationship and time trend of each element in the graph structure system. The traditional spatiotemporal graph modeling method is mainly based on the explicit structure of nodes and the fixed relationship between nodes in the graph for spatial relationship mining, which severely limits the flexibility of the model. Besides, traditional methods cannot capture long-term trends. To overcome these shortcomings, a novel end-to-end neural network model for spatiotemporal graph modeling is proposed, i.e., a graph wavelet convolutional neural network for spatiotemporal graph modeling called GWNN-STGM. A graph wavelet convolutional neural network layer is designed in GWNN-STGM. A self-adaption adjacency matrix is introduced in this network layer for node embedding learning so that the model can be used without prior knowledge of the structure. The hidden structural information is automatically found in the training dataset. In addition, GWNN-STGM includes a stacked dilated causal convolutional network layer so that the receptive field of the model can grow exponentially with the increase in the number of convolutional network layers that can handle long-term sequences. The GWNN-STGM successfully integrated the two modules of graph wavelet convolutional neural network layer and dilated causal convolutional network layer. Experimental results on two public transportation network datasets show that the performance of the proposed GWNN-STGM is better than other latest benchmark models, which shows that the designed graph wavelet convolutional neural network model has a great ability to explore the spatial-temporal structure from the input dataset.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会 京ICP备05046678号-4
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利