Time Series Forecasting via Semi-Asymmetric Convolutional Architecture with Global Atrous Sliding Window
Peking University(北京大学)
本文提出的方法是为了解决时间序列预测问题。虽然一些设计精巧的模型取得了很好的预测效果,但如何提取更多有用的信息并做出准确的预测仍然是一个悬而未决的问题。大多数现代模型只关注短期信息,这对于需要捕捉长期信息特征的时间序列预测等问题来说是致命的。因此,这项工作的主要关注点是进一步挖掘时间序列中包含的局部和全局信息之间的关系,以产生更精确的预测。在本文中,令人满意地实现这一目的,我们做了三个主要的贡献,实验验证具有性能优势。首先,原始时间序列被转换成差分序列作为输入到所提出的模型。其次,在预测模型中引入全局atrous滑动窗口,引入模糊时间序列的概念,将相关的全局信息与一定时间段内的时态数据相关联,并利用中心双向atrous算法捕获潜在的相关特征,保证捕获数据的有效性和一致性。第三,设计了广泛使用的非对称卷积的变体,称为半非对称卷积,以更灵活地提取相邻元素之间的关系以及相应的关联全局特征,并且在垂直和水平方向上具有可调的卷积范围。本文提出的模型在大多数时间序列数据集上与竞争对手的现代模型相比达到了最先进的水平。
2023-01-31 cs.AI cs.LG
Time Series Forecasting via Learning Convolutionally Low-Rank Models
Southeast University(东南大学)
最近,Liu和Zhang从压缩感知的角度研究了时间序列预测这一颇具挑战性的问题。他们提出了一种无学习方法,称为卷积核范数最小化(CNNM),并证明了CNNM可以从其观测部分准确地恢复序列的未来部分,只要该序列是卷积低秩的。虽然令人印象深刻,但卷积低秩条件可能不会在序列远离季节性时得到满足,并且实际上对趋势和动态的存在很脆弱。本文试图通过将一个可学习的正交变换集成到CNNM中来解决这个问题,目的是将一系列渐开线结构转换为卷积低秩的规则信号。我们证明了所得到的模型,称为基于学习的CNNM(LbCNNM),严格成功地识别未来的一系列的一部分,只要该系列的变换是卷积低秩。为了学习可能满足所需成功条件的适当变换,我们设计了一种基于主成分追踪(PCP)的可解释方法。LbCNNM具备这种学习方法和一些精细的数据论证技巧,不仅可以很好地处理时间序列的主要成分(包括趋势,季节性和动态),而且可以利用其他预测方法提供的预测,这意味着LbCNNM可以用作模型组合的通用工具。对来自时间序列数据库(TSDL)和M4竞赛(M4)的100,452个真实时间序列的广泛实验证明了LbCNNM的优越性能。
2022-01-20 cs.AI cs.LG
Short-term Streamflow and Flood Forecasting based on Graph Convolutional Recurrent Neural Network and Residual Error Learning
Georgia Institute of Technology(佐治亚理工学院);The University of Sydney(悉尼大学)
针对水位流量关系曲线数据误差影响预报精度的问题,本研究提出结合图卷积循环神经网络捕捉时空模式与残差学习修正误差的方法,提升1-6小时短期径流与洪水预报准确性,降低洪水风险。
2024-12-06 cs.AI cs.LG physics.geo-ph
Irregular Traffic Time Series Forecasting Based on Asynchronous Spatio-Temporal Graph Convolutional Network
HKUST(GZ)(香港科技大学(广州));Baidu Research(百度研究院);HKUST(香港科技大学);Arizona State University(亚利桑那州立大学);Baidu Inc.(百度公司)
针对自适应信号导致的不规则交通时间序列预测难题,提出异步时空图卷积网络ASeer,通过异步图扩散、个性化时间编码、可变形时间感知卷积与半自回归预测,有效捕捉异步时空依赖并预测变长序列,在六项指标上优于十二个基线。
2024-08-27 cs.AI cs.LG
Cross-LKTCN: Modern Convolution Utilizing Cross-Variable Dependency for Multivariate Time Series Forecasting Dependency for Multivariate Time Series Forecasting
Tsinghua University(清华大学)
针对多变量时间序列预测中跨变量依赖建模不足的问题,提出纯卷积结构 Cross-LKTCN,通过大核卷积与分组逐点卷积联合建模跨时间和跨变量依赖,在基准上达到最先进性能。
2023-06-04 cs.LG
Multi Scale Graph Wavenet for Wind Speed Forecasting
TCS Research(塔塔咨询服务研究部)
几何深度学习由于其表示任意结构的固有能力而在学术界和工业界都获得了极大的关注。由于对可再生能源,特别是风能的兴趣呈指数增长,准确的风速预测变得非常重要。.在本文中,我们提出了一种新的深度学习架构,多尺度图Wavenet风速预测。它是基于图卷积神经网络,捕捉空间和时间的关系,在多变量时间序列的天气数据的风速预测。我们特别从扩张卷积、跳过连接和初始网络中汲取灵感,以捕获时间关系,并从用于捕获数据中空间关系的图卷积网络中汲取灵感。我们在丹麦不同城市测量的真实风速数据上进行了实验,并将我们的结果与最先进的基线模型进行了比较。我们的新架构在多个预测范围的风速预测方面优于最先进的方法4- 5%。
2021-10-01 cs.AI cs.LG
Enhancing Epidemic Forecasting: Evaluating the Role of Mobility Data and Graph Convolutional Networks
本研究针对机器学习算法在真实疫情预测中因移动信息整合难表现不佳的问题,采用两阶段方法评估移动数据与GCN对Transformer模型的作用,发现死亡率和住院率数据可显著提升精度,且GCN空间图与封控令相关,为传染病预测建模提供新视角。
2025-05-20 cs.AI cs.LG
Grid Frequency Forecasting in University Campuses using Convolutional LSTM
本文提出利用 CNN 和 LSTM 构建个性化 ConvLSTM 模型预测大学校园各建筑电网频率,并设计集成模型汇总预测,结果在 MSE、MAE 和 MAE 上优于传统方法,同时保障了数据隐私。
2023-10-24 cs.AI cs.LG
Dynamic Frequency Domain Graph Convolutional Network for Traffic Forecasting
Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);University of Chinese Academy of Sciences(中国科学院大学);Academy of Cyber(网络研究院)
针对交通预测中数据驱动空间依赖建模受时移和噪声干扰的问题,提出动态频域图卷积网络DFDGCN,结合傅里叶变换、多类图与因果卷积,在四个真实数据集上表现优于基准模型。
2023-12-19 cs.AI cs.LG
Quantile Convolutional Neural Networks for Value at Risk Forecasting
University of Debrecen(德布勒森大学)
本文提出了一种新的风险价值预测方法。卷积神经网络可以进行时间序列预测,因为它们可以及时学习局部模式。一个简单的修改使他们能够预测的不是平均值,但分布的任意分位数,从而使他们能够应用于风险值预测。该模型可以从不同资产的价格历史中学习,并且似乎可以产生相当准确的预测。
2020-09-30 cs.LG q-fin.CP stat.ML
AST-GCN: Attribute-Augmented Spatiotemporal Graph Convolutional Network for Traffic Forecasting
Central South University(中南大学);Hisense TransTech Co., Ltd.(海信网络科技股份有限公司);Zhejiang University(浙江大学)
交通量预测是智能交通领域的一项基础性和挑战性任务。准确的预测不仅依赖于历史交通流信息,还需要考虑各种外部因素的影响,如天气状况、周边POI分布等。近年来,融合图卷积网络和递归神经网络的时空模型成为交通预测的研究热点,并取得了重大进展。然而,很少有作品结合外部因素。因此,基于引入外部因素可以提高时空预测流量的准确性和改善解释性的假设,我们提出了一个属性增强时空图卷积网络(AST-GCN)。我们将外部因素建模为动态属性和静态属性,并设计了一个属性增强单元来编码和集成这些因素到时空图卷积模型中。在真实数据集上的实验表明,与传统的交通预测方法相比,考虑外部信息对交通预测任务的有效性。此外,在不同的属性增强方案和预测水平设置下,AST-GCN的预测精度高于基线。
2020-11-22 cs.LG
A Novel Hybrid Framework for Hourly PM2.5 Concentration Forecasting Using CEEMDAN and Deep Temporal Convolutional Neural Network
Academy of Mathematics and Systems Science, Chinese Academy of Sciences(中国科学院数学与系统科学研究院);School of Economics and Management, University of Chinese Academy of Sciences(中国科学院大学经济与管理学院);School of Economics and Management, Beihang University(北京航空航天大学经济与管理学院);School of Management, Xi’an Jiaotong University(西安交通大学管理学院);School of Statistics, Lanzhou University of Finance and Economics(兰州财经大学统计学院)
对于小时PM2. 5浓度预测,准确捕捉影响PM2. 5浓度变化的外部因素的数据模式,构建预测模型是提高预测精度的有效手段之一。在这项研究中,一种新的混合预测模型的基础上,完全集成经验模式分解与自适应噪声(CEEMDAN)和深度时间卷积神经网络(DeepTCN)的预测PM2.5浓度,通过建模的数据模式的历史污染物浓度数据,气象数据,离散时间变量的数据。以北京市PM2. 5浓度为样本,实验结果表明,与时间序列模型、人工神经网络和流行的深度学习模型相比,CEEMDAN-DeepTCN模型的预测精度最高。新模型提高了对PM2.5相关因子数据模式的建模能力,可以作为预测PM2.5浓度的一种有前途的工具。
2020-12-07 cs.AI cs.LG eess.SP
Efficient Traffic Forecasting on Large-Scale Road Network by Regularized Adaptive Graph Convolution
School of Computer Science and Engineering, Sun Yat-Sen University, China(中山大学计算机科学与工程学院);School of Artificial Intelligence, Sun Yat-Sen University, China(中山大学人工智能学院);Guangdong Key Laboratory of Big Data Analysis and Processing, China(广东大数据分析与处理重点实验室)
本文提出正则化自适应图卷积模型,通过高效余弦操作和残差差分机制提升大规模交通网络预测效率与精度,实验表明其在多个真实数据集上均优于现有方法。
2026-04-30 cs.AI cs.LG
IConv: Focusing on Local Variation with Channel Independent Convolution for Multivariate Time Series Forecasting
针对多元时间序列预测中MLP忽略局部变化的问题,提出IConv,结合CNN与MLP,通过通道独立卷积建模局部模式,实验证明其优越性。
2025-09-25 cs.AI cs.LG
Edge-Varying Fourier Graph Networks for Multivariate Time Series Forecasting
Beijing Institute of Technology(北京理工大学);University of Technology Sydney(悉尼科技大学);Tongji University(同济大学);HeFei University of Technology(合肥工业大学)
多变量时间序列分析和预测的关键问题是揭示变量之间的耦合关系。由于图神经网络(GNNs)的关系建模能力,最近相当成功的MTS方法都是用GNNs构建的。然而,以前的工作往往使用静态的时间序列变量的图形结构建模MTS未能捕捉他们不断变化的相关性随着时间的推移。为此,在任何两个时间戳处连接任何两个变量的全连接超图被自适应地学习,以通过高效的图卷积网络来捕获高分辨率的变量依赖关系。具体来说,我们构建了边变傅立叶图网络(EV-FGN)配备傅立叶图移位算子(FGSO),有效地执行图卷积在频域中。基于卷积定理,本文提出了一种高效的无标度参数学习方法,用于MTS的分析和预测。大量的实验表明,EV-FGN在七个真实世界的MTS数据集上的性能优于最先进的方法。
2022-10-09 cs.AI cs.LG
Spatial-Temporal Graph Convolutional Gated Recurrent Network for Traffic Forecasting
Nanjing University(南京大学)
交通预测作为智能交通系统的重要组成部分,引起了学术界和工业界的极大关注。尽管人们提出了许多交通预测方法,但对复杂的时空相关性建模仍然是一个难题。时间依赖包括短期依赖和长期依赖,后者往往被忽视。空间依赖可以分为基于距离的空间依赖和隐藏的空间依赖。为了模拟复杂的时空依赖性,我们提出了一种新的框架,称为时空图卷积门递归网络(STGCGRN)的流量预测。我们设计了一个注意力模块,通过挖掘流量数据中的周期性信息来捕获长期依赖。本文提出了一种双图卷积门控递归单元(DGCGRU),它将图卷积网络和GRU相结合,来捕获空间依赖性。图卷积部分分别用基于距离的预定义邻接矩阵和自适应邻接矩阵对基于距离的空间依赖和隐藏的空间依赖进行建模。特别地,我们采用多头机制来捕获多个隐藏的依赖关系。此外,每个预测节点的周期模式可能不同,这往往被忽略,导致在建模空间依赖性时节点之间的周期信息相互干扰。为此,我们探索了模型的体系结构,并提高了性能。在四个数据集上的实验证明了该模型的优越性能。
2022-10-06 cs.LG
TwinS: Revisiting Non-Stationarity in Multivariate Time Series Forecasting
Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Squirrel AI(松鼠AI);Beijing Institute of Technology(北京理工大学);Chongqing University(重庆大学)
针对多元时间序列非平稳分布包含嵌套周期等三类特征的问题,提出含三个模块的Transformer-based TwinS模型,在主流基准上取得SOTA性能,MSE较PatchTST最大提升25.8%。
2024-07-14 cs.AI cs.LG
Traffic Graph Convolutional Recurrent Neural Network: A Deep Learning Framework for Network-Scale Traffic Learning and Forecasting
University of Washington(华盛顿大学);INRIX, Inc.(因瑞克斯公司)
交通预测是时空预测中一个极具挑战性的应用,因为交通模式是时变的,而且对道路网络的空间依赖性非常复杂。为了应对这一挑战,我们将交通网络作为一个图来学习,并提出了一种新的深度学习框架,即交通图卷积长短期记忆神经网络(TGC-LSTM),以学习交通网络中道路之间的相互作用,并预测整个网络的交通状态。我们定义了基于物理网络拓扑的流量图卷积。本文还讨论了所提出的业务图卷积与频谱图卷积之间的关系。在模型的损失函数中加入了图卷积权值的L1范数和图卷积特征的L2范数,以增强模型的可解释性。实验结果表明,该模型优于基线方法在两个现实世界的交通状态数据集。图卷积权重的可视化表明,该框架可以识别出现实世界中的交通网络中最有影响力的路段。
2019-11-05 cs.LG stat.ML
WinNet: Make Only One Convolutional Layer Effective for Time Series Forecasting
School of Computer Science, Sichuan University(四川大学计算机学院)
WinNet提出仅用一个卷积层的时间序列预测模型,通过子窗口划分、双重预测、二维混合分解和分解相关模块实现SOTA性能并降低计算复杂度。
2024-06-07 cs.LG
Convolutionally Low-Rank Models with Modified Quantile Regression for Interval Time Series Forecasting
Southeast University(东南大学)
本文提出LbCNNM-MQR模型,通过整合修改的分位数回归提升区间时间序列预测的不确定性估计能力,并通过校准技术提高预测区间准确性。
2026-04-17 cs.LG
Conditional Local Convolution for Spatio-temporal Meteorological Forecasting
Center of Artificial Intelligence for Research and Innovation, Westlake University(西湖大学人工智能研究与创新中心);Eco-Environmental Research Laboratory, Westlake University(西湖大学生态环境研究实验室);Zhejiang University(浙江大学)
由于时间动态的高度非线性以及空间域中复杂的位置特征模式,时空预测具有挑战性,特别是在天气预报等领域。在气象学中,为了处理传感器空间位置的不规则分布,通常使用图卷积来建模空间相关性。在这项工作中,提出了一种新的基于图的卷积模拟气象流捕捉当地的空间模式。基于位置特征模式的光滑性假设,我们提出了条件局部卷积,其节点局部空间上的共享核由前馈网络近似,坐标的局部表示由水平映射到圆柱切空间作为其输入。地方坐标系统一标准的建立,维护了地理上的方向性。我们进一步提出了距离和方向的缩放条款,以减少不规则的空间分布的影响。卷积被嵌入到递归神经网络架构中,以模拟时间动态,从而产生条件局部卷积递归网络(CLCRN)。我们的模型在真实世界的天气基准数据集上进行了评估,实现了最先进的性能,并有明显的改进。对局部模式可视化、模型框架选择、水平图的优势等问题进行了深入分析。
2021-12-11 cs.LG
Temporally Folded Convolutional Neural Networks for Sequence Forecasting
Kavli IPMU (WPI), University of Tokyo(东京大学卡弗里数物连携宇宙研究机构(世界顶级国际研究中心))
在这项工作中,我们提出了一种新的方法,利用卷积神经网络的时间序列预测。具有空间维度的序列数据的时间方向$D=1,2$被民主地认为是时空$(D+1)$维卷积神经网络的输入。然后,后者从$D +1 \to D$维度减少数据流,然后是使用此信息预测后续时间步长的定罪单元。我们根据经验将这种策略与卷积LSTM和LSTM分别在顺序MNIST和JSB chorals数据集上的性能进行了比较。我们的结论是,时间折叠卷积神经网络(TFC的)可能优于传统的递归策略。
2020-01-10 cs.CV cs.LG stat.ML
DDP-GCN: Multi-Graph Convolutional Network for Spatiotemporal Traffic Forecasting
Seoul National University(首尔大学)
交通速度预测是交通系统中的核心问题之一。为了更准确地预测,最近的研究开始不仅使用时间速度模式,而且通过图卷积网络使用道路网络上的空间信息。尽管道路网络是高度复杂的,由于其非欧和方向的特点,以前的方法主要集中在建模的空间依赖性使用的距离。在本文中,我们确定了两个基本的空间依赖关系,在交通预测除了距离,方向和位置关系,设计基本图形元素作为基本的积木。使用构建块,我们建议DDP-GCN(距离,方向和位置关系图卷积网络)将这三种空间关系纳入深层神经网络。我们用两个大规模的真实世界数据集对所提出的模型进行了评估,并发现在高度复杂的城市网络中进行长期预测的积极改进。对于通勤时间来说,改善幅度可能会更大,但对于短期预测来说,改善幅度也可能有限。
2022-09-25 cs.LG eess.SP
Application of Graph Convolutions in a Lightweight Model for Skeletal Human Motion Forecasting
Bielefeld University(比勒费尔德大学)
运动预测是与智能系统成功合作的关键。我们提出了一个模型,它集成了有组织的空间信息,通过移动身体的骨架结构。通过应用图卷积,我们在模型中利用了这种固有的结构,我们演示了如何将结构化的空间信息利用到基于轻量级模型的竞争性预测中,该模型需要相对较少的参数。
2021-10-10 cs.LG eess.SP
DG-STMTL: A Novel Graph Convolutional Network for Multi-Task Spatio-Temporal Traffic Forecasting
King's College London(伦敦国王学院);Imperial College London(帝国理工学院)
针对时空交通预测中复杂依赖建模、动态适应及多任务干扰问题,提出DG-STMTL框架,通过混合邻接矩阵生成模块和分组GCN模块提升性能,在真实数据集上优于现有技术。
2025-04-11 cs.AI cs.LG
Diffusion Convolutional Recurrent Neural Network: Data-Driven Traffic Forecasting
University of Southern California(南加州大学);California Institute of Technology(加州理工学院)
时空预测在神经科学、气候和交通领域有着广泛的应用。交通预测是这种学习任务的一个典型例子。这项任务具有挑战性,因为(1)对道路网络的复杂空间依赖性,(2)随着道路条件变化的非线性时间动态,以及(3)长期预测的固有困难。为了解决这些挑战,我们建议将交通流建模为有向图上的扩散过程,并引入扩散卷积循环神经网络(DCRNN),这是一种用于交通预测的深度学习框架,它将交通流的空间和时间依赖性结合起来。具体来说,DCRNN使用图上的双向随机游走来捕获空间依赖性,并且使用具有预定采样的编码器-解码器架构来捕获时间依赖性。我们在两个真实世界的大规模道路网络交通数据集上评估了该框架,并观察到比最先进的基线提高了12% - 15%。
2018-02-22 cs.LG stat.ML
Probabilistic Forecasting with Temporal Convolutional Neural Network
Bigo Inc.(Bigo公司);Beihang University(北京航空航天大学);IBM China CIC(IBM中国创新中心);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳))
提出了一种基于卷积神经网络的概率预测框架,用于多个相关时间序列的预测。该框架可以应用于估计参数和非参数设置下的概率密度。更具体地说,基于扩张的因果卷积网的堆叠的残差块被构造成捕获序列的时间依赖性。结合表征学习,我们的方法能够学习复杂的模式,如季节性,系列内和跨系列的假日效应,并利用这些模式进行更准确的预测,特别是当历史数据稀疏或不可用时。在几个真实世界的数据集上进行了广泛的实证研究,包括来自中国最大的在线零售商JD.com的数据集。结果表明,我们的框架优于其他国家的最先进的方法在准确性和效率。
2020-03-16 cs.LG stat.ML
Spatial-Temporal Adaptive Graph Convolution with Attention Network for Traffic Forecasting
Beijing University of Posts and Telecommunications(北京邮电大学);Didi Research Institute, Didi Chuxing(滴滴出行滴滴研究院)
交通预测是智能交通系统中时空学习任务的一个典型例子。现有的方法在图卷积神经运算符中使用预定矩阵来捕获空间依赖性。然而,显式图结构丢失了节点之间关系的一些隐藏表示。此外,传统的图卷积神经操作符不能聚合图上的长距离节点。为了克服这些限制,我们提出了一种新的网络,时空自适应图卷积与注意力网络(STAAN)的流量预测。首先,我们采用自适应依赖矩阵,而不是使用一个预定义的矩阵在GCN处理来推断节点之间的相互依赖关系。其次,我们集成了基于图注意力网络的PW-注意力,该网络是为全局依赖而设计的,GCN是空间块。更重要的是,堆叠膨胀的一维卷积,在长期预测的效率,采用在我们的时间块捕获不同的时间序列。我们在两个真实世界的数据集上评估了我们的STAAN,实验验证了我们的模型优于最先进的基线。
2022-06-07 cs.GR cs.LG
Traffic Flow Forecasting with Maintenance Downtime via Multi-Channel Attention-Based Spatio-Temporal Graph Convolutional Networks
George Mason University(乔治梅森大学)
交通流预测是智能交通系统管理的核心任务。图结构已经显示出作为建模框架的前景,最近通过图卷积神经网络在时空建模方面的进展,提高了性能或扩展了对交通流的预测范围。然而,最先进的方法的一个主要缺点是它们不能考虑到各种模式的信息,例如维护停机时间对交通流量的影响。这就是我们在本文中要解决的问题。具体来说,我们提出了一种新的模型来预测交通速度的影响下,施工工作。该模型基于强大的基于注意力的时空图卷积架构,但利用各种渠道来整合不同的信息源,明确地建立交通状态之间的时空依赖关系,捕获异构道路网络之间的关系,然后预测交通流量的变化导致的维护停机事件。两个基准数据集和一个新的数据集,我们已经收集了繁华的泰森的角落地区在北弗吉尼亚州的模型进行评估。大量的对比实验和消融研究表明,该模型可以捕捉复杂的和非线性的时空关系,跨运输走廊,优于基线模型。
2021-10-04 cs.AI cs.CV cs.LG
Extreme precipitation forecasting using attention augmented convolutions
St. Andrews College(圣安德鲁斯学院)
极端降水在世界各地造成严重破坏,造成数十亿美元的损失,并使社区、生态系统和经济连根拔起。准确的极端降水预测可以为此类极端事件的准备和灾害风险管理提供更多时间。在本文中,我们专注于短期极端降水预报(提前12小时的时间预测)从一系列的海平面气压和纬向风异常。虽然现有的机器学习方法已经显示出有希望的结果,但相关的模型和气候不确定性可能会降低其可靠性。为了解决这个问题,我们提出了一种用于极端降水预测的自注意增强卷积机制,系统地将注意力分数与传统卷积相结合,以丰富特征数据并减少结果的预期误差。所提出的网络架构进一步融合了高速公路神经网络层,以获得跨几个层的畅通无阻的信息流的好处。我们的实验结果表明,该框架的性能比经典卷积模型高出12%。所提出的方法增加了机器学习作为一种工具,用于深入了解极端变化的物理原因,降低未来预测的不确定性。
2022-01-31 cs.LG physics.ao-ph
Short-term Precipitation Forecasting in The Netherlands: An Application of Convolutional LSTM neural networks to weather radar data
Eindhoven University of Technology(埃因霍温理工大学)
本研究将ConvLSTM应用于荷兰KNMI天气雷达数据,通过九层自编码器融合CNN空间特征提取与LSTM时序建模,实现1.5小时短期降水预报,验证了其在复杂天气区域的高精度预测潜力。
2023-12-02 cs.LG
Deep Convolutional Neural Network Model for Short-Term Electricity Price Forecasting
National Central University(国立中央大学);National Pingtung University(国立屏东大学);Jiangxi University of Science and Technology(江西理工大学)
在现代电力市场中,电力交易是一个竞争异常激烈的行业。更准确的价格预测对于帮助电力生产商和交易商做出更好的决策至关重要。在本文中,一种新的方法,卷积神经网络(CNN)提出了快速提供小时预测在能源市场。为了提高预测精度,我们将全年电价数据按季节分为四类,分别对每一类进行训练和预测。通过与现有方法的比较,我们发现所提出的模型取得了优异的效果,每类的平均绝对百分比误差(MAPE)和均方根误差(RMSE)分别约为5.5%和3。
2020-03-12 cs.LG cs.NE eess.SP
FasterSTS: A Faster Spatio-Temporal Synchronous Graph Convolutional Networks for Traffic flow Forecasting
Wuhan University of Technology(武汉理工大学);Zhejiang Sci-Tech University(浙江理工大学)
针对现有交通流预测方法时空建模分离且复杂度高的问题,提出更快速有效的时空同步图卷积网络FasterSTS,以提升预测性能并控制模型复杂度。
2025-01-01 cs.LG
Dense Forecasting of Wildfire Smoke Particulate Matter Using Sparsity Invariant Convolutional Neural Networks
University of British Columbia(英属哥伦比亚大学)
准确预测野火烟雾中的细颗粒物(PM 2.5)对于保障心肺公共健康至关重要。现有的预测系统是在稀疏和不准确的地面事实上训练的,并且没有充分利用重要的空间归纳偏差。在这项工作中,我们提出了一个卷积神经网络,它始终保持稀疏不变性,并利用多任务学习来执行密集的预测PM 2.5值。我们证明,我们的模型在2018年和2019年加拿大不列颠哥伦比亚省野火季节的表现优于两个现有的烟雾预报系统,预测PM2.5的网格分辨率为10公里,提前24小时高保真。最有趣的是,我们的模型还概括了有意义的烟雾扩散模式,尽管训练中只有0.5%的网格单元中有不规则分布的地面真实PM 2.5值。
2020-09-23 cs.CV cs.LG
Deep multi-stations weather forecasting: explainable recurrent convolutional neural networks
Maastricht University(马斯特里赫特大学)
由于数据驱动模型取得的进展,应用于天气预报的深度学习开始受到欢迎。本文比较了两种不同的深度学习架构,对从欧洲18个城市收集的15年内的每日数据进行天气预测。我们提出了深度注意单流多流(DAUM)网络,它研究了不同类型的输入表示(即张量单流与多流)以及注意力机制的结合。特别是,我们表明,在模型中添加自我注意块提高了整体预测性能。此外,可视化技术,如遮挡分析和得分最大化,用于提供对最重要的功能和城市的额外见解,用于预测目标城市的特定目标功能。
2021-02-10 cs.LG stat.ML
Incorporating dynamicity of transportation network with multi-weight traffic graph convolutional network for traffic forecasting
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院)
交通量预测问题由于其时空复杂性,一直是智能交通系统中的一个具有挑战性的课题。虽然时间依赖性已经得到了很好的研究和讨论,空间依赖性是相对较少的探讨,由于其巨大的变化,特别是在城市环境。在这项研究中,提出了一种新的图卷积网络模型,多权重交通图卷积(MW-TGC)网络,并应用于两个城市网络的对比几何约束。该模型对速度数据进行多加权邻接矩阵的图卷积运算,以组合速度限制、距离和角度等特征。在组合特征上进行空间隔离的降维操作,以学习特征之间的依赖关系,并将输出的大小减小到计算上可行的水平。多权重图卷积的输出应用于具有长短期记忆单元的序列到序列模型,以学习时间依赖性。当应用到两个城市网站,城市核心和城市混合,MW-TGC网络不仅优于比较模型在这两个网站,但也减少了异质城市混合网络的方差。我们的结论是,MW-TGC网络可以提供一个强大的交通预测性能在空间复杂性的变化,这可能是一个强大的优势,在城市交通预测。
2021-05-26 cs.LG stat.ML
Multi-Graph Convolutional-Recurrent Neural Network (MGC-RNN) for Short-Term Forecasting of Transit Passenger Flow
Delft University of Technology(代尔夫特理工大学);City University of Hong Kong(香港城市大学);Virginia Polytechnic Institute and State University(弗吉尼亚理工学院暨州立大学)
短期客流预测对于公交管理和人群调节至关重要。空间相关性、时间相关性、其他潜在因素驱动下的站间相关性以及外生因素对城市轨道交通网络客流短期预测带来了挑战。提出了一种新的深度学习方法--多图卷积-递归神经网络(MGC-RNN)来预测城市轨道交通系统中的客流,以综合考虑这些复杂因素。我们建议使用多个图来编码的空间和其他异质站间的相关性。站间相关性的时间动态也通过建议的多图卷积递归神经网络结构建模。所有站点的流入和流出可以通过序列到序列(seq 2seq)架构提前多个时间步长进行集体预测。将该方法应用于深圳地铁客流的短期预测。实验结果表明,MGC-RNN在预测精度方面优于基准算法。此外,研究发现,由网络距离、网络结构和最近的客流模式驱动的站间是客流预测的重要因素。此外,LSTM-编解码器的架构可以很好地捕捉时间依赖性。总体而言,该框架可以提供多视角的客流动态精细预测,并为时空预测任务中的多源异构数据融合提供了可能性。
2022-05-20 cs.LG
TimeCF: A TimeMixer-Based Model with adaptive Convolution and Sharpness-Aware Minimization Frequency Domain Loss for long-term time seris forecasting
School of Computer Science and Engineering(计算机科学与工程学院)
提出TimeCF模型,基于TimeMixer结合自适应卷积与锐度感知最小化频域损失,解决多尺度分析中通道独立导致的自相关次优问题,提升长期时间序列预测性能。
2025-05-23 cs.LG
Numerical Weather Forecasting using Convolutional-LSTM with Attention and Context Matcher Mechanisms
Georgia Institute of Technology(佐治亚理工学院);Bilkent University(比尔肯特大学)
针对高分辨率物理数值天气预报计算成本高的问题,提出融合卷积LSTM、卷积神经网络及注意力与上下文匹配器机制的Weather Model,在ERA5、WeatherBench基准上性能优于多个深度学习基线,准确率高且易解释。
2023-10-04 cs.AI cs.CV cs.LG
Error-feedback stochastic modeling strategy for time series forecasting with convolutional neural networks
Huazhong University of Science and Technology(华中科技大学)
尽管卷积神经网络在时间序列建模和预测方面表现出了优越性,但在神经网络结构的设计和超参数的调整方面还没有得到充分的探索。受随机多层感知器增量构造策略的启发,提出了一种新的误差反馈随机建模(ESM)策略来构造用于时间序列预测任务的随机卷积神经网络(ESM-CNN),该策略自适应地构造网络结构. ESM策略建议在构建过程中逐步增加误差反馈全连接层的随机滤波器和神经元,以稳定地补偿预测误差,然后引入滤波器选择策略,使ESM-CNN能够提取不同大小的时间特征,在每次迭代过程中为预测提供有用的信息。ESM-CNN的性能分别在一步和多步预测任务的预测精度上是合理的。在合成和真实世界数据集上的综合实验表明,所提出的ESM-CNN不仅优于最先进的随机神经网络,而且与训练的最先进的深度神经网络模型相比,具有更强的预测能力和更少的计算开销。
2022-02-11 cs.LG stat.ML
Situational-Aware Multi-Graph Convolutional Recurrent Network (SA-MGCRN) for Travel Demand Forecasting During Wildfires
University of Florida(佛罗里达大学);Massey University(梅西大学);University of Canterbury(坎特伯雷大学)
本文提出情境感知多图卷积循环网络SA-MGCRN,融合GPS数据与AI技术,用于野火疏散期间出行需求实时预测,并在2019年Kincade Fire案例中显著优于现有基准。
2023-04-13 cs.LG
Bayesian Spatio-Temporal Graph Convolutional Network for Traffic Forecasting
University of Science and Technology of China(中国科学技术大学)
在交通预测中,图卷积网络(GCN)将交通流建模为时空图,取得了令人瞩目的性能。然而,现有的基于GCN的方法,抽象地定义的图形结构的物理拓扑结构的道路网络,忽略了潜在的依赖关系的图形结构上的交通数据。并且定义的图结构是确定性的,缺乏对不确定性的研究。本文提出了一种用于流量预测的贝叶斯时空图卷积网络(BSTGCN)。我们的网络中的图结构是以端到端的方式从道路网络和交通数据的物理拓扑中学习的,它发现了对交通流之间关系的更准确描述。此外,提出了一种参数生成模型来表示图的结构,从而增强了GCN的泛化能力。我们验证了我们的方法在两个真实世界的数据集上的有效性,实验结果表明,BSTGCN达到优越的性能相比,国家的最先进的方法。
2020-10-15 cs.GR cs.LG
Graph Convolutional Network With Pattern-Spatial Interactive and Regional Awareness for Traffic Forecasting
College of Mechanical and Electrical Engineering, Shihezi University(石河子大学机械与电子工程学院);School of Mathematics and Computational Science, Xiangtan University(湘潭大学数学与计算机科学学院);College of Sciences, Shihezi University(石河子大学科学学院)
针对现有交通预测模型忽略交通模式与空间相关性交互、未考虑区域异质性的问题,提出模式-空间交互与区域感知图卷积网络PSIRAGCN,通过交互融合框架和区域感知消息传递提升预测精度,在三个真实数据集上性能优于最优基线且兼顾计算成本。
2025-08-30 cs.LG
A Branched Deep Convolutional Network for Forecasting the Occurrence of Hazes in Paris using Meteorological Maps with Different Characteristic Spatial Scales
该研究开发了一种分支深度卷积网络,利用多年代际气象图预测巴黎雾霾发生,通过保留不同输入特征的空间信息,在验证和盲测中均取得合理性能。
2023-10-16 cs.LG physics.ao-ph
Forecasting Post-Wildfire Vegetation Recovery in California using a Convolutional Long Short-Term Memory Tensor Regression Network
Western Connecticut State University(西康涅狄格州立大学)
本研究提出ConvLSTMTR网络,基于加州104起重大野火数据预测火后NDVI与逻辑斯蒂增长率k,结合UMAP和KNN识别恢复趋势,推动预测生态建模发展并为植被管理提供参考。
2023-11-04 cs.AI cs.LG
Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting
Peking University(北京大学);Beijing Institute of Big Data Research(北京大数据研究院)
及时准确的交通预测是城市交通控制和诱导的关键。由于交通流的高度非线性和复杂性,传统的预测方法往往不能满足中长期预测任务的要求,且往往忽略了时空相关性。在本文中,我们提出了一种新的深度学习框架,时空图卷积网络(STGCN),以解决交通领域的时间序列预测问题。我们没有应用常规的卷积和递归单元,而是将问题公式化在图上,并使用完整的卷积结构构建模型,这可以用更少的参数实现更快的训练速度。实验表明,我们的模型STGCN有效地捕捉全面的时空相关性,通过建模多尺度的交通网络,并始终优于各种现实世界的交通数据集的最先进的基线。
2018-07-12 cs.LG stat.ML
Wholesale Electricity Price Forecasting using Integrated Long-term Recurrent Convolutional Network Model
University of Houston(休斯顿大学)
电价是影响市场参与者决策的关键因素。准确预测电价是非常重要的,也是非常具有挑战性的,因为电价是高度波动的,由于各种因素。本文提出了一种集成的长期递归卷积网络(ILRCN)模型来预测电价,考虑到大多数贡献的属性作为输入的市场价格。所提出的ILRCN模型结合了卷积神经网络和长短期记忆(LSTM)算法的功能以及所提出的新颖的条件误差校正项。组合ILRCN模型可以识别输入数据内的线性和非线性行为。我们使用ERCOT批发市场价格数据以及休斯顿地区的负荷分布、温度和其他因素来说明所提出的模型。建议ILRCN电价预测模型的性能进行了验证,使用性能/评估指标,如平均绝对误差和准确性。算例分析表明,与支持向量机模型、全连接神经网络模型、LSTM模型和不带条件误差修正阶段的LRCN模型相比,该模型具有更高的预测精度和更高的预测效率.
2021-12-23 cs.LG cs.SY eess.SY
Deep Spatio-Temporal Forecasting of Electrical Vehicle Charging Demand
Technical University of Denmark(丹麦技术大学)
电动汽车可以提供低碳排放解决方案,以扭转排放上升的趋势。然而,这要求用于满足需求的能源是绿色的。为了满足这一要求,准确预测充电需求至关重要。短期和长期的充电需求预测将有助于更好地优化电网和未来的基础设施扩建。在本文中,我们建议使用公开的数据来预测电动汽车充电需求。为了对充电站之间复杂的时空相关性进行建模,我们认为时间图卷积模型最适合捕捉相关性。与其他预测方法相比,所提出的时间图卷积网络提供了最准确的短期和长期预测。
2021-06-21 cs.LG
STConvS2S: Spatiotemporal Convolutional Sequence to Sequence Network for Weather Forecasting
CEFET/RJ(里约热内卢联邦教育、科学与技术中心);LNCC(国家科学计算实验室)
将机器学习模型应用于气象数据,为地球科学领域带来了许多机会,例如更准确地预测未来的天气状况。近年来,利用深度神经网络对气象数据进行建模已成为一个相关的研究领域。这些工作应用递归神经网络(RNN)或混合RNN和卷积神经网络(CNN)的混合方法。在这项工作中,我们提出了STConvS2S(时空卷积序列到序列网络),这是一种深度学习架构,仅使用卷积层学习空间和时间数据依赖关系。我们提出的架构解决了卷积网络使用历史数据预测序列的两个限制:(1)它们在学习过程中违反了时间顺序,(2)它们要求输入和输出序列的长度相等。计算实验使用来自南美洲的气温和降雨量数据表明,我们的架构捕捉时空背景下,它优于或匹配的结果,国家的最先进的架构预测任务。特别是,我们提出的架构的一个变体在预测未来序列方面要好23%,在训练方面比用作基线的基于RNN的模型快5倍。
2020-11-10 cs.LG stat.ML
ACFormer: Mitigating Non-linearity with Auto Convolutional Encoder for Time Series Forecasting
Pusan National University, Busan, Republic of Korea(釜山国立大学,韩国);Pusan National University, Changwon, Republic of Korea(釜山国立大学,韩国)
ACFormer通过自动卷积编码器结合线性投影与非线性特征提取,提升时间序列预测中对复杂依赖关系和非线性信号的建模能力。
2026-01-28 cs.LG
Comparison between ARIMA and Deep Learning Models for Temperature Forecasting
University of Moratuwa(莫拉图瓦大学)
天气预报以各种方式使我们受益,从农民耕种和收获作物到航空公司安排航班。由于大气的混乱性质,天气预报是一项具有挑战性的任务。因此,许多研究的注意力已经吸引到获得的好处,克服天气预报的挑战。本文比较了自回归积分滑动平均(ARIMA)模型和深度学习模型在气温预测中的应用。深度学习模型由提取空间特征的一维卷积层和提取时间特征的LSTM层组成。这两个模型都适用于每小时的温度数据集从塞格德,饥饿。根据实验结果,深度学习模型能够比传统的ARIMA方法表现得更好。
2020-11-09 cs.AI cs.LG
DVS: Deep Visibility Series and its Application in Construction Cost Index Forecasting
Southwest University(西南大学);Chongqing University(重庆大学)
时间序列预测是近年来的研究热点。可见性图(VG)算法在以往的研究中被用于时间序列预测,但预测效果不如基于人工神经网络(ANN)、卷积神经网络(CNN)和长短期记忆网络(LSTM)的方法等深度学习预测方法。特定时间序列生成的可见性图包含丰富的网络信息,但以往的预测方法没有有效地利用网络信息进行预测,导致预测误差比较大。为了优化基于VG的预测方法,本文通过VG的仿生设计和对以往研究的扩展,提出了深度可见性系列(DVS)模块。通过将生物视觉的仿生设计应用于VG,DVS获得了较高的预测精度。同时,本文将DVS预测方法应用于工程造价指标预测,具有实际意义。
2022-05-14 cs.AI cs.LG
TSSRGCN: Temporal Spectral Spatial Retrieval Graph Convolutional Network for Traffic Flow Forecasting
Peking University(北京大学);Microsoft Research Asia(微软亚洲研究院)
交通流预测对于提高交通系统的效率和预防突发事件的发生具有重要意义。由于短、长时段交通流的高度非线性和复杂的演化模式,现有方法往往不能充分利用时空信息,特别是不同时段变化的时间模式和路段的特点。此外,没有同时考虑代表交通状态指标绝对值的全局性和代表相对值的局部性。本文提出了一个神经网络模型,侧重于交通网络的全局性和局部性以及交通数据的时间模式。基于循环的膨胀可变形卷积块被设计为准确地捕获每个节点上的不同时变趋势。我们的模型可以提取全局和局部的空间信息,因为我们结合了两个图卷积网络的方法来学习节点和边缘的表示。在两个真实数据集上的实验表明,该模型能够很好地反映交通数据的时空相关性,其性能优于现有的相关方法。进一步的分析表明,交通网络的局部性和全局性是交通流预测的关键,所提出的TSSRGCN模型可以适应不同的时间交通模式。
2020-11-30 cs.LG
Adaptive Convolutional Forecasting Network Based on Time Series Feature-Driven
School of Computer Science and Engineering, Southeast University(东南大学计算机科学与工程学院);College of Design and Engineering, National University of Singapore(新加坡国立大学设计与工程学院)
针对时间序列数据中非线性信息干扰模型训练导致预测性能下降的问题,提出自适应卷积网络ACNet,通过多分辨率与可变形卷积提取局部全局模式及非线性特征,在12个数据集上实现短期与长期预测的最先进性能。
2024-06-04 cs.IR cs.LG