计算机工程

作者：赵世豪, 毛国君, 熊保平, 黄山, 林江宏

单位：1. 福建工程学院 计算机科学与数学学院, 福州 3501182. 福建省大数据挖掘与应用重点实验室, 福州 350118

关键词：时空图,图神经网络,时空序列数据,图小波网络,因果卷积

基金：国家自然科学基金(61773415); 国家重点研发计划(2019YFD0900805)

针对传统时空图网络模型对时空序列数据空间结构刻画和时空特性挖掘不充分的问题，提出一种基于图小波神经网络的时空图挖掘模型(ST-GWNN)。基于图小波神经网络通过学习节点特征的局部化表达来捕捉时空序列数据中的空间拓扑结构，时间门控卷积层通过门控线性单元所堆叠的因果卷积来提取时间特征信息，并将多个时间步的空间图相融合来学习时间和空间2个维度关联特征的能力，以更好地捕获时空序列中复杂的时空相关性信息。在公共交通数据集PEMS-BAY上的实验结果表明，ST-GWNN模型能够获得较好的预测效果，当预测时长为15 min时，在MAE、RMSE、MAPE 3个评价指标上相较于基准模型取得最小值，且较基准模型最优值分别降低了2.31%、6.96%、5.84%；当预测时长为30 min和60 min时，较基准模型最优的MAPE、RMSE值分别降低了4.9%、3.51%和6.05%、6.68%，可适用于图网络属性的时空关系预测任务。

来源：2023年第7期

《计算机工程》期刊编辑部

查看计算机工程杂志2023年第7期