Temporal Pattern Attention for Multivariate Time Series Forecasting
National Taiwan University(台湾大学)
预测多变量时间序列数据,例如预测电力消耗,太阳能发电和复调钢琴曲,具有许多有价值的应用。然而,时间步长和序列之间复杂的非线性相互依赖性使任务复杂化。为了获得准确的预测,对时间序列数据的长期相关性进行建模是至关重要的,具有注意力机制的递归神经网络(RNN)可以在一定程度上实现这一点。典型的注意力机制在每个前一个时间步检查信息并选择相关信息以帮助生成输出,但它无法捕获跨多个时间步的时间模式。在本文中,我们提出使用一组滤波器来提取时不变的时间模式,这类似于将时间序列数据转换到其“频域”。提出了一种新的注意力机制来选择相关时间序列,并利用其“频域”信息进行预测。我们将所提出的模型应用于几个现实世界的任务,并在所有这些任务中实现了最先进的性能,只有一个例外。
2019-09-18 cs.CL cs.LG stat.ML
Temporal Pattern Mining for Analysis of Longitudinal Clinical Data: Identifying Risk Factors for Alzheimer's Disease
UNSW Sydney(新南威尔士大学)
本文提出结合时序抽象、时序模式挖掘与生存分析机器学习模型的框架,用于分析纵向异质临床数据,并在阿尔茨海默病真实数据上取得最高0.8的一致性指数,首次实现基于时序数据集合的AD生存分析。
2022-09-11 cs.LG
WaveGSSM: Graph Wave State Space Models for Propagating Spatio-Temporal Patterns
Potsdam Institute for Climate Impact Research(波茨坦气候影响研究所);Technical University of Berlin(柏林工业大学);University of Illinois at Chicago(伊利诺伊大学芝加哥分校);Northwestern Polytechnical University(西北工业大学);Humboldt University Berlin(柏林洪堡大学)
WaveGSSM是一种二阶图状态空间模型,通过耦合当前模式与变化率状态,显式建模时空模式传播,在时间图基准和天气预报中达到最优性能,显著降低预测误差。
2026-10-06 cs.LG
Healthcare Cost Prediction: Leveraging Fine-grain Temporal Patterns
Santa Clara University(圣克拉拉大学);University of Utah(犹他大学);University of Utah Health Plans(犹他大学健康计划);Cairo University(开罗大学)
目的:设计和评估一种利用个人时间数据预测医疗费用的方法。为了实现这一目标,我们首先使用细粒度形式的患者时间数据,而不是粗粒度形式。其次,我们设计了新的尖峰检测功能,以提取时间模式,提高成本预测的性能。第三,我们评估了不同类型的时间特征的有效性的基础上的成本信息,访问信息和医疗信息的预测任务。材料与方法:我们使用了一家医疗保险公司2013年至2016年三年的医疗和药房索赔数据,前两年用于构建模型来预测第三年的成本。为了准备用于建模和预测的数据,以细粒度特征(即,将每个时间序列分割成连续窗口的序列,并通过各种统计量(例如求和)来表示每个窗口)。然后,提取时间序列的时间模式,并使用一组新的尖峰检测特征(即,数据点的波动)。梯度提升应用于最终的一组提取特征。此外,每种类型的数据的贡献(即,费用、访问和医疗)进行了评估。结论:利用细粒度时间模式进行医疗成本预测可显著提高预测性能。通过提取时间成本和访问模式来增强细粒度特征,显著提高了性能。然而,医学特征对预测性能没有显著影响。梯度提升优于所有其他预测模型。
2020-09-14 cs.LG
Hierarchical Reinforcement Learning for Temporal Pattern Prediction
Rutgers University(罗格斯大学)
本研究探索层次强化学习在时间序列预测中的应用,结合深度学习开发股票与车辆预测智能体,发现feudal reinforcement learning相比标准RL在训练速度、稳定性和精度上有显著提升,其关键在于多分辨率结构引入的时空抽象。
2023-10-09 cs.LG
The Semantic Adjacency Criterion in Time Intervals Mining
Ben-Gurion University(本-古里安大学)
在基于时间间隔的多变量数据中发现的频繁时态模式,虽然在语法上是正确的,但可能是不透明的:对于某些模式实例,可能存在与模式的通常含义相矛盾的同一实体的间隔。我们推测,不透明的模式也不太有用的分类或预测功能。我们提出了一个新的修剪约束在频繁的时间模式发现过程中,语义邻接标准[SAC],它利用领域知识过滤出模式,包含潜在的语义矛盾的组件。我们定义了三个SAC版本,并在三个医学领域测试了它们的效果。我们将这些标准嵌入到频率时间模式发现框架中。在此之前,我们已经非正式地介绍了SAC原则,并表明使用它来修剪模式可以提高在相同临床领域中发现的可重复性。在这里,我们正式定义了三个SAC的变化的语义,并比较使用的一组修剪模式的使用完整的一组发现的模式,在三个不同的医疗领域的分类和预测任务的功能。我们为每个任务引入了四个分类器,使用四种机器学习方法:随机森林,朴素贝叶斯,SVM和Logistic回归。这些特征是在每个数据集中发现的频繁的时间模式。基于SAC的时态模式发现将发现的模式数量减少了97%,发现运行时间减少了98%。但是,减少的基于SAC的基于模式的特征集的分类和预测性能与使用完整集时一样好。使用SAC可以显着减少发现的频繁基于区间的时间模式的数量,以及相应的计算工作量,而不会损失分类或预测性能。
2021-01-11 cs.LG
Algebraic Expression of Subjective Spatial and Temporal Patterns
通用学习机是从数学角度研究机器学习的理论。外部世界根据输入数据的模式反映在通用学习机中。这是学习机的主观模式。在文献[2,4]中,我们讨论了主观空间模式,并建立了一个强有力的工具--X-形式,它是主观空间模式的代数表示。然而,作为研究的初始阶段,我们只讨论了空间格局。在这里,我们将讨论空间和时间模式,以及它们的代数表达式。
2018-05-31 cs.LG stat.ML
Extended Vertical Lists for Temporal Pattern Mining from Multivariate Time Series
University of Florida(佛罗里达大学)
时间模式挖掘(TPM)是在有监督的环境下从多变量时间序列中挖掘预测性复杂时间模式的问题。我们开发了一种新的方法,称为扩展垂直列表的快速时间模式挖掘。该方法利用了Apriori属性的扩展,该属性要求更复杂的模式仅出现在记录中所有子模式都被检测到的地方。该方法基于一种称为扩展垂直列表的新颖数据结构,该结构跟踪记录内模式的第一状态的位置。大量的计算结果表明,新的方法执行显着快于以前版本的算法TMP。然而,速度的提高是以内存使用为代价的。
2018-04-26 cs.LG stat.ML
T-Phenotype: Discovering Phenotypes of Predictive Temporal Patterns in Disease Progression
University of Cambridge(剑桥大学);The Alan Turing Institute(阿兰·图灵研究所);Chung-Ang University(中央大学)
医疗保健中的时间序列数据聚类对于临床表型分析至关重要,以了解患者的疾病进展模式并设计针对同质患者亚组的治疗指南。虽然丰富的时间动态使得能够发现静态相关性之外的潜在聚类,但两个主要挑战仍然突出:i)从多变量时间序列数据中的许多潜在时间相关性发现预测模式,以及ii)将个体时间模式与最佳表征潜在临床进展的目标标签分布相关联。为了解决这些挑战,我们开发了一种新的时间聚类方法,T-Phenotype,从标记的时间序列数据中发现预测时间模式的表型。我们介绍了一种有效的表示学习方法在频域中,可以编码可变长度,不规则采样的时间序列到一个统一的表示空间,然后应用于识别各种时间模式,潜在的目标标签使用一个新的概念,基于路径的相似性。在整个合成和真实世界数据集的实验中,我们表明T-表型在所有评估的基线上都达到了最佳的表型发现性能。我们进一步证明了T-表型的效用,通过发现具有临床意义的患者亚组,其特征在于独特的时间模式。
2023-02-24 cs.LG q-bio.QM
Extracting Seasonal Gradual Patterns from Temporal Sequence Data Using Periodic Patterns Mining
IMT Lille Douai(里尔杜埃国立高等矿业电信学校);Institut Mines-Télécom(法国国立高等矿业电信学院);Univ. Lille(里尔大学)
挖掘频繁事件的目的是从时间数据序列中恢复序列模式,然后可以用来预测相关事件的发生。另一方面,以“当X增加/减少时,Y增加/减少”的形式捕获复杂属性的协变的渐进模式在必须处理大量复杂数值数据的许多现实世界应用中发挥重要作用。最近,这些模式已经受到关注的数据采掘社区探索时态数据谁提出的方法来自动提取渐进模式的时态数据。然而,据我们所知,还没有提出任何方法来提取定期出现在相同的时间间隔在许多序列的时间数据的渐进模式,尽管这样的模式可能会增加知识的某些应用程序,如电子商务。在本文中,我们提出从时间数据序列中提取周期性重复属性的协变,我们称之为季节性渐进模式。为此,我们制定的任务,挖掘季节性渐进模式的问题,挖掘周期性模式在多个序列,然后我们利用周期性模式挖掘算法提取季节性渐进模式。我们讨论了这些模式的具体特点,并提出了一种方法,他们的提取基于挖掘周期频繁模式共同的多个序列。我们还提出了一个新的反单调的支持定义与这些季节性的渐进模式。从一些现实世界的数据集得到的说明性的结果表明,该方法是有效的,它可以通过过滤大量的非季节性模式,以确定季节性的提取小的模式集。
2020-10-20 cs.AI cs.LG
Energy Spatio-Temporal Pattern Prediction for Electric Vehicle Networks
关于电动汽车携带的电能的时空模式的信息,而不是电动汽车本身,对于电动汽车与智能电网建立更有效和智能的交互至关重要。在本文中,我们提出了一个框架来预测的大量电动汽车聚集在不同的城市规模的区域内,基于电能的时空模式存储的电能的量。空间模式通过使用基于神经网络的空间预测器来建模,而时间模式通过使用基于线性链条件随机场(CRF)的时间预测器来捕获。两个预测器分别与空间和时间特征,这是提取的基础上记录在北京的真实轨迹数据。此外,我们结合这两个预测建立的时空预测,通过使用最佳的组合系数,最大限度地减少归一化均方误差(NMSE)的预测。的预测性能进行评估的基础上广泛的实验,包括空间和时间的预测,并实现了改进的组合时空预测。实验结果表明,该时空预测器的NMSE在北京所有调查区域均保持在0.1以下。我们进一步可视化的预测和讨论的潜在好处可以带来智能电网调度和电动汽车充电,利用所提出的框架。
2018-02-14 cs.LG eess.SP
CTPD: Cross-Modal Temporal Pattern Discovery for Enhanced Multimodal Electronic Health Records Analysis
Department of Statistics and Actuarial Science, School of Computing and Data Science, The University of Hong Kong(统计与精算学系,计算与数据科学学院,香港大学)
本文提出CTPD框架,通过槽注意力和对比学习从多模态EHR中发现跨患者时序模式,并在MIMIC-III上提升了死亡率和表型分类预测性能。
2025-11-07 cs.AI cs.LG
Nonnegative Matrix Factorization to understand Spatio-Temporal Traffic Pattern Variations during COVID-19: A Case Study
Kyungpook National University(庆北大学);Queensland University of Technology(昆士兰科技大学)
随着智能交通系统(ITS)的迅速发展和道路上车辆数量的不断增加,产生了大量的道路交通数据。从这些数据中了解时空交通模式至关重要,并已有效地帮助交通规划,道路建设等。然而,了解COVID-19大流行期间的交通模式非常具有挑战性和重要性,因为人和车辆的出行行为模式存在巨大差异。本文通过一个案例研究来了解COVID-19期间时空交通模式的变化。我们应用非负矩阵分解(NMF),以得出模式。NMF模型输出是根据2019年和2020年(分别为大流行之前和大流行期间)在英国观察到的时空模式行为进行分析的。所分析的时空交通模式变化行为的输出将在智能交通系统中的交通管理和在与道路交通相关的流行病或不可避免的场景的各个阶段的管理领域中是有用的。
2021-11-05 cs.CY cs.LG
Synthesizing Dynamic Patterns by Spatial-Temporal Generative ConvNet
University of California, Los Angeles (UCLA)(加州大学洛杉矶分校)
视频序列包含丰富的动态模式,例如在时域中表现出平稳性的动态纹理模式,以及在空域或时域中非平稳的动作模式。我们表明,时空生成ConvNet可以用来建模和合成动态模式。该模型在视频序列上定义了一个概率分布,对数概率由时空ConvNet定义,该时空ConvNet由多层时空滤波器组成,以捕获不同尺度的时空模式。该模型可以通过迭代以下两个步骤的“合成分析”学习算法从训练视频序列中学习。步骤1从当前学习的模型合成视频序列。然后,步骤2基于合成的视频序列和观察到的训练序列之间的差异来更新模型参数。我们表明,学习算法可以合成现实的动态模式。
2017-05-29 cs.CV cs.LG cs.NE
ST-TGExplainer: Disentangling Stability and Transition Patterns for Temporal GNN Interpretability
Hangzhou Dianzi University(杭州电子科技大学);RMIT University(皇家墨尔本理工大学);Tianjin University(天津大学);Griffith University(格里菲斯大学)
本文提出ST-TGExplainer,一种能够解构时序图中稳定性与转换模式的自解释时序GNN,以提升模型的可解释性。
2026-05-19 cs.AI cs.LG
Discovery of Crime Event Sequences with Constricted Spatio-Temporal Sequential Patterns
Warsaw University of Technology(华沙理工大学);Carnegie Mellon University(卡内基梅隆大学)
在这篇文章中,我们介绍了一种新类型的时空序列模式称为压缩时空序列(CSTS)模式,并深入分析其性质。我们证明了CSTS模式集是一个简洁的表示所有时空序列模式,可以发现在一个给定的数据集。为了测量所发现的CSTS模式的重要性,我们采用了参与指数测量。我们还提供了CSTS-Miner:一种发现事件数据中所有参与指数强CSTS模式的算法。我们实验评估所提出的算法使用两个犯罪相关的数据集:匹兹堡警察事件日志数据集和波士顿犯罪事件报告数据集。在实验中,CSTS-Miner算法与其他四个最先进的算法:STS-Miner,CSTPM,STBFM和CST-SPMiner进行了比较。实验结果表明,该算法发现的模式比其他选定的算法少得多。最后,我们提供了有趣的犯罪相关模式发现的建议CSTS-Miner算法的例子。
2021-12-03 cs.AI cs.DB cs.LG
Discovering Frequent Closed Embedded Sub-DAGs in Spatio-Temporal Event Data
Institute of Computer Science, Warsaw University of Technology(计算机科学研究院,华沙技术大学)
该研究针对时空事件数据,提出基于发现频繁闭合嵌入式子DAG挖掘模式的新方法,实现DigDag算法,通过实验与相关方法对比,证明该方法在可比参数设置下效率更高,并对发现模式进行了定性分析。
2026-07-08 cs.DB cs.LG
Uncovering Temporal Patterns in Visualizations of High-Dimensional Data
Faculty of Computer and Information Science, University of Ljubljana(卢布尔雅那大学计算机与信息科学学院);Baylor College of Medicine(贝勒医学院)
针对高维时间序列数据降维可视化丢失时间模式的问题,提出引入两个时间损失项的降维扩展方法,在合成与真实数据上有效揭示时间模式并提升可解释性。
2024-12-14 cs.HC cs.LG
Two-stage building energy consumption clustering based on temporal and peak demand patterns
分析智能电表数据以了解能源消耗模式,有助于公用事业和能源提供商执行定制的需求响应操作。现有的能量消耗分割技术使用的假设可能会导致集群在表示其成员时的质量降低。我们通过引入一个两阶段的聚类方法,更准确地捕捉负载形状的时间模式和峰值需求,解决了这一限制。在第一阶段中,负载形状聚类,允许大量的集群准确地捕捉能源使用模式的变化和集群质心提取占形状错位。在第二阶段,相似的质心和功率幅度范围的聚类合并使用动态时间规整。我们使用了三个数据集组成的~250户(~15000配置文件),以证明性能的改善,相比基线方法,并讨论对能源管理的影响。
2020-08-29 cs.LG eess.SP
Learning Spatio-Temporal Patterns of Polar Ice Layers With Physics-Informed Graph Neural Network
Lehigh University(理海大学)
针对极地冰层时空模式学习中回波图噪声干扰的问题,提出融合GraphSAGE与LSTM、引入MAR物理特征的物理信息混合图神经网络,在深层冰层厚度预测上性能优于现有非归纳或非物理模型。
2024-06-21 cs.CV cs.LG
Frequent Pattern Mining in Continuous-time Temporal Networks
College of Computing and Informatics, Drexel University(德雷塞尔大学计算与信息学院)
网络在不同的学科中被用作高度表达的工具。近年来,时态网络的分析和挖掘引起了广泛的关注。频繁模式挖掘被认为是网络科学文献中的一项重要任务。除了大量的应用外,网络中频繁模式挖掘的研究直接影响到其他分析方法,如聚类,准团和团挖掘,以及链接预测。在几乎所有的时态网络频繁模式挖掘算法中,时态网络都被表示为静态网络序列。然后,挖掘网络间或网络内模式。这种类型的表示对挖掘问题施加了计算-表达性权衡。在本文中,我们提出了一种新的表示,可以保留网络损失的时间方面。然后,我们引入了约束区间图的概念。接下来,我们开发了一系列的算法,用于挖掘时态网络数据集中的频繁时态模式的完整集合。我们还考虑了四种不同的同构定义,以允许在时间数据汇集的噪声容忍度。三个真实世界的数据集实现算法证明了所提出的算法的实用性和它的能力,发现未知的模式在各种设置。
2021-05-12 cs.CV cs.DB cs.DS
STRAP: Spatio-Temporal Pattern Retrieval for Out-of-Distribution Generalization
City University of Hong Kong(香港城市大学);City University of Hong Kong (Dongguan)(香港城市大学(东莞));Northeastern University(东北大学);The Hong Kong Polytechnic University(香港理工大学);University of Electronic Science and Technology of China(电子科技大学);SLAI
提出STRAP框架,通过将检索增强学习集成到STGNN持续学习流程中,构建并优化时空模式库,在推理时检索相关模式并注入模型,有效缓解灾难性遗忘,显著提升时空分布外场景下的泛化能力。
2025-10-11 cs.AI cs.LG
Temporal Graph Pattern Machine
University of Notre Dame(诺克斯维尔大学)
提出TGPM框架,通过时间偏置随机游走构建交互块,利用Transformer学习全局时序规律,结合自监督预训练任务,在时序链接预测和节点分类任务上表现优异且具有跨域迁移能力。
2026-06-23 cs.AI cs.LG cs.SI
Multi-Grained Temporal-Spatial Graph Learning for Stable Traffic Flow Forecasting
Department of Computing, The Hong Kong Polytechnic University(计算学系,香港理工大学)
针对现有方法难以捕捉全局时空模式且易过拟合的问题,提出多粒度时空图学习框架,融合全局与局部模式,提升交通流预测的稳定性和准确性。
2025-07-25 cs.AI cs.LG
MP3: Multi-Period Pattern Pre-training for Spatio-Temporal Forecasting
School of Computing and Artificial Intelligence, Southwest Jiaotong University(西南交通大学计算机与人工智能学院);Eindhoven University of Technology(埃因霍温理工大学)
针对时空数据中短窗口输入导致的时间幻象问题,提出多周期模式预训练插件MP3,通过多周期时间建模、空间建模和跨周期因果交互,提升现有STGNN的预测性能。
2026-06-15 cs.AI cs.LG cs.NE
Temporal Pattern Discovery for Accurate Sepsis Diagnosis in ICU Patients
Ben-Gurion University of the Negev(内盖夫本-古里安大学);Soroka University Medical Center(索罗卡大学医学中心)
脓毒症是由身体对感染的压倒性和危及生命的反应引起的病症,其可导致组织损伤、器官衰竭,并最终死亡。常见的体征和症状包括发热、心率加快、呼吸频率加快和意识模糊。脓毒症很难预测、诊断和治疗。发生脓毒症的患者并发症和死亡的风险增加,并面临更高的医疗保健费用和更长的住院时间。今天,脓毒症是重症监护病房(ICU)人群死亡的主要原因之一。在本文中,我们期待在败血症的早期检测问题,通过使用时间数据采掘。我们专注于使用基于知识的时间抽象来创建有意义的基于间隔的抽象,并专注于时间间隔挖掘来发现频繁的基于间隔的模式。我们使用了来自MIMIC-III数据库的2,560例病例。我们发现,在脓毒症发病前6小时和12小时内,脓毒症患者记录中发现的频率高于10%的时间模式的分布与住院期间相同时间窗内的非脓毒症患者记录中的时间模式的分布显著不同。这一发现对于使用所发现的模式作为构建特征来执行脓毒症的早期诊断的目的是令人鼓舞的。
2017-09-06 cs.LG stat.AP
Temporal Chunking Enhances Recognition of Implicit Sequential Patterns
University of Texas at San Antonio(德克萨斯大学圣安东尼奥分校);University of Rochester(罗切斯特大学)
提出神经启发的时间分块方法,将序列压缩为离线生成的上下文标记以整合历史经验,在资源受限环境下显著提升学习效率,并初步验证了标记的跨任务迁移潜力。
2025-07-15 cs.AI cs.LG
dCMF: Learning interpretable evolving patterns from temporal multiway data
Simula Metropolitan Center for Digital Engineering(西穆拉都市数字工程中心);OsloMet(奥斯陆城市大学);Univ Lyon, INSA-Lyon, UCBL, UJM, CNRS(里昂大学、里昂国立应用科学学院、里昂第一大学、让·莫内大学、法国国家科学研究中心)
本文提出dCMF模型,将线性动态系统与耦合矩阵分解结合,用于从时间多路数据中学习可解释的演化模式,在偏离PARAFAC2结构时表现更优。
2025-02-26 cs.LG stat.ML
Continuous-Time Sequential Recommendation with Temporal Graph Collaborative Transformer
University of Illinois at Chicago(伊利诺伊大学芝加哥分校);University of California, Davis(加利福尼亚大学戴维斯分校);Fudan University(复旦大学);Pinterest Inc.(Pinterest公司)
为了模拟用户偏好的演化,我们应该学习基于时间排序的物品购买序列的用户/物品嵌入,这被定义为顺序推荐(SR)问题。现有的方法利用顺序模式来建模项转换。然而,他们中的大多数人忽略了关键的时间协作信号,这是潜在的不断发展的用户-项目交互和共存的顺序模式。因此,我们提出统一的序列模式和时间协同信号,以提高推荐的质量,这是相当具有挑战性的。首先,难以同时编码序列模式和协作信号。其次,它是不平凡的,以表达协同信号的时间效应。因此,我们设计了一个新的框架时间图顺序推荐(TGSRec)在我们定义的连续时间二分图。在TGSRec中提出了一种新的时间协作转换器(TCT)层,该层通过采用一种新的协作注意机制,改进了自注意力机制。TCT层可以同时捕获来自用户和项目的协作信号,并考虑序列模式中的时间动态。我们传播的信息从TCT层的时间图统一的序列模式和时间的合作信号。在5个数据集上的实证结果表明,TGSRec显著优于其他基线,在Recall@10和MRR上平均分别提高了22.5%和22.1%。
2021-08-22 cs.AI cs.IR cs.LG
Single Biological Neurons as Temporally Precise Spatio-Temporal Pattern Recognizers
Hebrew University(希伯来大学)
该博士论文提出单神经元是时间精确的复杂时空模式识别器,并通过生物可解释学习规则、可微深度网络类比及脉冲网络扩展论证其计算与系统意义。
2023-09-26 cs.LG cs.NE q-bio.NC
Mining Temporal Attack Patterns from Cyberthreat Intelligence Reports
North Carolina State University(北卡罗来纳州立大学)
本文提出 ChronoCTI 自动化流水线,利用大语言模型和机器学习从 713 份 CTI 报告中挖掘出 124 个时序攻击模式并分为九类,帮助安全从业者优先防御网络攻击。
2024-01-03 cs.CR cs.IR cs.LG
A Time-aware tensor decomposition for tracking evolving patterns
Simula Metropolitan Center for Digital Engineering(Simula城市数字工程中心);OsloMet(奥斯陆城市大学);Georg-August-Universität Göttingen(哥廷根大学)
本文提出时序 PARAFAC2(tPARAFAC2),通过在 PARAFAC2 张量分解中引入时间正则化,解决现有方法无法建模潜在模式随时间演化的问题,并在合成数据上验证其优于 PARAFAC2 和带时间平滑正则化的耦合矩阵分解。
2023-08-15 cs.CV cs.LG stat.ML
Inference of Sequential Patterns for Neural Message Passing in Temporal Graphs
University of Zurich(苏黎世大学);Julius-Maximilians-Universität Würzburg(维尔茨堡大学);Center for Artificial Intelligence and Data Science (CAIDAS)(人工智能与数据科学中心);Chair of Machine Learning for Complex Networks(复杂网络机器学习主席席位)
针对当前时序图神经网络忽略随机基线的问题,提出结合统计零模型异常序列推断与高阶De Bruijn图神经消息传递的HYPA-DBGNN,提升节点分类性能,为统计图推断与神经表征学习搭建桥梁。
2024-06-24 cs.AI cs.LG cs.SI
A matrix approach to detect temporal behavioral patterns at electric vehicle charging stations
University of Žilina(日利纳大学);ElaadNL(ElaadNL(荷兰电动汽车充电研究机构))
基于电动汽车(EV)的到达时间和EV连接到充电站的持续时间,我们确定充电模式,并得出组的充电站采用两种方法具有相似的充电模式。基于规则的方法通过指定一组时间间隔和阈值来导出充电模式。在第二种方法中,我们将修改后的l-p范数(作为矩阵相异性度量)与层次聚类相结合,并将其应用于自动识别与此类模式相关联的充电模式和充电站组。在大型公共充电站网络中收集的数据集用于测试这两种方法。使用这两种方法,我们得出充电模式。第一种,基于规则的方法,在推导预定义的模式和后者,层次聚类,表现出提供意想不到的收费模式的能力。
2021-02-18 cs.AI cs.CE cs.LG
Generative modeling of spatio-temporal weather patterns with extreme event conditioning
University of Warwick(华威大学);TUM(慕尼黑工业大学);LSE(伦敦政治经济学院);DLR(德国航空航天中心)
深度生成模型越来越多地用于获得地理空间数据领域的见解,例如,for climate气候data数据.然而,大多数现有的方法与时间快照或假设1D时间序列,很少有能够同时捕获时空过程。除此之外,地球系统的数据往往表现出高度不规则和复杂的模式,例如由极端天气事件造成的。由于气候变化,这些现象只会越来越频繁。在这里,我们提出了一种新的基于GAN的方法,用于生成以检测到的极端事件为条件的时空天气模式。我们的方法增强了GAN生成器和编码的极端天气事件分割掩模。这些分割掩码可以使用现有的事件检测框架从原始输入创建。因此,我们的方法是高度模块化的,可以与自定义GAN架构相结合。我们强调我们提出的方法在实验中与现实世界的地面辐射和纬向风数据的适用性。
2021-04-26 cs.AI cs.CV cs.LG
Spatial-Temporal Networks for Antibiogram Pattern Prediction
University of Virginia(弗吉尼亚大学);Johns Hopkins University(约翰斯·霍普金斯大学)
本文提出全新的抗菌谱模式预测问题,针对模式非独立同分布、时空依赖等挑战,构建时空预测框架STAPP,在美国203城14年真实数据上验证了其优于基线的性能。
2023-05-02 cs.AI cs.LG q-bio.QM