声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：11-2560/TP
国际刊号：1000-9825
发布日期:
作者：姜山，丁治明，朱美玲，严瑾，徐馨润
单位：姜山，中国科学院大学, 北京 100049;中国科学院 软件研究所, 北京 10019011,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 10019002,朱美玲，中国科学院 软件研究所, 北京 10019003,严瑾，中国科学院大学, 北京 100049;中国科学院 软件研究所, 北京 10019004,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 10019005
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
基金：国家自然科学基金（61703013，91646201）；北京市自然科学基金（4192004）
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.
来源：2021年第3期
《软件学报》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。