10.3969/j.issn.1006-2475.2020.09.006
单时序特征图卷积网络融合预测方法
近年来,图神经网络逐渐成为深度学习领域广泛讨论的话题和研究的重点,但大多数研究都是基于图节点,在存在多维属性的前提下进行分类和回归预测,对单时序特征的图节点预测并不能产生理想的效果.本文提出一种时序图卷积网络算法,可以在复杂图网络中,只根据节点单一特征的时序序列,实现对该特征的预测.算法通过在传统图卷积网络中对邻接矩阵参数化,解决单一特征条件下的参数退化问题,并结合长短时记忆网络的序列学习方法,将时序信息融入到训练过程中,提高训练精度.在交通流量数据集PeMS和Los上的实验表明,其预测精度要优于GCN、T-GCN、GRU、LSTM等主流算法.
图卷积网络、单时序特征、LSTM、网络预测
TP183(自动化基础理论)
中国科学院战略性科技先导专项课题XDC02070100
2020-11-18(万方平台首次上网日期,不代表论文的发表时间)
共5页
32-36