题目: Dynamic Spatio-temporal Graph-based CNNs for Traffic Flow Prediction

摘要: 由于其时空结构的复杂性和动态性,预测未来交通流是一个具有挑战性的问题。大多数现有的基于图的CNN都试图捕捉静态关系,而忽略了序列数据下的动态关系。本文通过学习表达特征来表示时空结构,并从监控视频数据中预测未来的交通流,提出了一种基于动态时空图的神经网络(DST-GCNNs)。特别是,DST-GCNN是一个双流网络。在流量预测流中,我们提出了一种新的基于图形的时空卷积层来从流量的图形表示中提取特征。然后将几个这样的层叠加在一起来预测未来的流动。同时,随着交通条件的变化,图中交通流之间的关系往往是时变的。为了捕获图的动态,我们使用图预测流来预测动态图结构,并将预测的结构输入到流预测流中。在实际数据集上的实验表明,该模型与现有的方法相比具有较强的竞争能力。

成为VIP会员查看完整内容
0
96

相关内容

在深度学习中,卷积神经网络(CNN或ConvNet)是一类深度神经网络,最常用于分析视觉图像。基于它们的共享权重架构和平移不变性特征,它们也被称为位移不变或空间不变的人工神经网络(SIANN)。它们在图像和视频识别,推荐系统,图像分类,医学图像分析,自然语言处理,和财务时间序列中都有应用。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等

主题: Laplacian Change Point Detection for Dynamic Graphs

摘要: 动态图和时间图是丰富的数据结构,用于对实体之间的复杂关系进行建模,尤其是时间图的异常检测是现实世界中至关重要的应用,例如网络系统中的入侵识别,生态系统扰动的检测和流行病的检测。在本文中,我们专注于动态图的变化点检测,并解决与该问题相关的两个主要挑战:I)如何跨时间比较图快照,II)如何捕获时间依存关系。为了解决上述挑战,我们提出了拉普拉斯异常检测(LAD),它使用每个快照上图结构的拉普拉斯矩阵的频谱来获得低维嵌入。 LAD通过应用两个滑动窗口显式地对短期和长期依赖性进行建模。在合成实验中,LAD的性能优于最新方法。我们还将在三个真实的动态网络上评估我们的方法:UCI消息网络,美国参议院共同赞助网络和加拿大法案投票网络。在所有三个数据集中,我们证明了我们的方法可以根据重大的现实事件更有效地识别异常时间点。

成为VIP会员查看完整内容
0
23

题目:

Mining Anomalies using Static and Dynamic Graphs

简介:

在许多情况下,例如安全性,医疗保健,财务和网络,异常检测,即稀有或异常模式是一个紧迫的问题。审查欺诈和网络入侵攻击之类的异常编码可疑,欺诈或恶意行为,不仅影响人们做出次优的决策,而且稳定地削弱了他们对业务的信任。这样,检测正在进行的异常并警告即将发生的异常的算法对企业和最终用户都具有很大的影响。本文通过开发可利用连接性和时间信息来检测异常行为或事件的原理化,可扩展算法,来考虑异常检测问题。这些方法对于大型动态复杂数据集很有用,这些数据集具有很强的关系和时间特性,多个实体相互交互,并且会随着时间而发展。如今,此类数据集是在多种多样的环境中生成的,其示例范围从电子商务日志到在线社交网络再到物联网。 论文的前半部分着重于图形中的异常检测,在这些图中,只有静态连接信息是已知的。给定一个图和一些标记的顶点,我们如何推断其余顶点的标记?例如,我们如何从一小组手动标记的诚实和伪造帐户中发现Amazon或Facebook上的所有伪造用户帐户?与现有文献相比,我们的工作利用了现实世界图中的三个关键属性,即顶点和边类型的异质性,偏度分布和高阶结构,可以产生更准确的顶点标记。所提出的算法具有封闭形式的解决方案,严格的收敛性保证,可以使用稀疏矩阵运算有效地实现,并且可以随图形大小线性缩放。 本文的后半部分着重于从连接结构随时间变化的数据中挖掘异常。在许多情况下,尤其是与安全和卫生保健有关的情况,新发现或预期的异常的价值在于当下,而不是不久的将来。因此,给定一个随时间变化的图表(显式图或隐式图),我们如何才能近乎实时地检测异常或事件,甚至可能在它们发生之前提早发出警报?我们的算法可以通过仅存储到目前为止所看到的图形的简短摘要并且不需要监督,就可以实时检测异常图形的足迹,例如密集子图的突然出现或消失以及桥边。我们还展示了如何以在线方式从时间序列数据推断状态转换图,并使用它来提前警告用户标记的异常,例如不利的医疗条件。在整个论文中,着重强调的算法不仅(a)在实践中有效,而且(b)高效,可以在几秒钟内在普通笔记本电脑上处理数百万条边缘,并且(c)有原则可以进行严格的推理,从而为推理,检测或利用数据相关的见解提供理论上的保证。我们证明了我们的算法在从社交网络和电子商务到安全和医疗保健的一系列应用中的功效。

成为VIP会员查看完整内容
0
47

题目: Learning Attention-based Embeddings for Relation Prediction in Knowledge Graphs

摘要: 近年来随着知识图谱(KGs)的大量涌现,加上实体间缺失关系(链接)的不完全或部分信息,催生了大量关于知识库补全(也称为关系预测)的研究。最近的一些研究表明,基于卷积神经网络(CNN)的模型能够生成更丰富、更有表现力的特征嵌入,因此在关系预测方面也有很好的表现。然而,我们观察到这些KG嵌入独立地处理三元组,因此不能捕获到三元组周围的复杂和隐藏的信息。为此,本文提出了一种新的基于注意的特征嵌入方法,该方法能同时捕获任意给定实体邻域内的实体特征和关系特征。此外,我们还在模型中封装了关系集群和多跳关系。我们的实验研究为我们基于注意力的模型的有效性提供了深入的见解,并且与所有数据集上的最先进的方法相比,有显著的性能提升。

成为VIP会员查看完整内容
0
90

题目: MEMORY-BASED GRAPH NETWORKS

摘 要:

图神经网络是一类对任意拓扑结构的数据进行操作的深度模型。我们为GNNs引入了一个有效的记忆层,它可以联合学习节点表示并对图进行粗化。在此基础上,我们还引入了两个新的网络:基于记忆的GNN (MemGNN)和可以学习层次图表示的图存储网络(GMN)。实验结果表明,所提出的模型在9个图分类和回归基准中有8个达到了最新的结果。我们也证明了这些表示学习可以对应于分子数据中的化学特征。

成为VIP会员查看完整内容
0
92

论文题目: GMAN: A Graph Multi-Attention Network for Traffic Prediction

论文摘要:

由于交通系统的复杂性和影响因素的多变性,长期交通预测具有很大的挑战性。本文以时空因素为研究对象,提出了一种基于图的多注意网络(GMAN)来预测道路网络图中不同位置的时间步长下的交通状况。GMAN采用了编码器和解码器的结构,编码器和解码器都由多个时空注意块组成以模拟时空因素对交通条件的影响。编码器对输入流量进行编码,解码器对输出流量进行预测。在编码器和解码器之间,作为解码器的输入,应用转换保持层转换已编码的流量特征以生成未来时间步的序列表示。转换注意机制对历史时间步长和未来时间步长之间的直接关系进行建模,有助于缓解预测时间步长的误差传播问题。两个真实的交通预测任务的实验结果。,交通流量预测和交通速度预测)。特别地,在提前一小时的预测中,GMAN在MAE测量中比最先进的方法提高了4%。

论文作者:

范晓亮,高级工程师,硕导,数字福建城市交通大数据研究所副所长,数字福建健康医疗大数据研究所副所长。研究方向:城市感知与智能计算、医学数据隐私保护与人工智能应用。

戚建中目前就职于墨尔本大学计算与信息系统学院,从事数据科学研究。他们最近的出版物是“用智能模拟器研究交通问题”。

成为VIP会员查看完整内容
0
62

题目: Online long-term trajectory prediction based on mined route patterns

简介:

在这篇论文中,我们提出了一个大数据框架来预测流轨迹数据,利用挖掘的轨迹模式,允许准确的长期预测和低延迟。特别地,为了达到这个目标,我们遵循两步的方法。首先,我们以离线的方式有效地识别隐藏的移动模式。随后,轨迹预测算法利用这些模式来延长有用预测的时间范围。实验研究基于真实的航空和海事数据集。

作者简介:

Panagiotis Tampakis是比雷埃夫斯大学在读博士研究生,研究重点是数据管理、数据挖掘、大数据、移动数据管理、矿山轨迹数据。

Harris Georgiou是信息系统工程师(理学学士,理学硕士),机器学习和医学成像研究员(博士),专业从事信息系统/信息技术和研发顾问,私营部门的学术教师,兼职软件开发人员,全年潜水潜水员和水下摄影师。研究重点是机器学习,信号处理,医学成像,预测分析,博弈论。

成为VIP会员查看完整内容
0
16
小贴士
相关VIP内容
专知会员服务
88+阅读 · 2020年7月9日
专知会员服务
101+阅读 · 2020年6月17日
专知会员服务
92+阅读 · 2020年2月22日
相关资讯
相关论文
Ankit Pal,Muru Selvakumar,Malaikannan Sankarasubbu
39+阅读 · 2020年3月22日
EvolveGCN: Evolving Graph Convolutional Networks for Dynamic Graphs
Aldo Pareja,Giacomo Domeniconi,Jie Chen,Tengfei Ma,Toyotaro Suzumura,Hiroki Kanezashi,Tim Kaler,Tao B. Schardl,Charles E. Leiserson
7+阅读 · 2019年11月18日
Yao Ma,Ziyi Guo,Zhaochun Ren,Eric Zhao,Jiliang Tang,Dawei Yin
15+阅读 · 2018年10月24日
Multiple Object Tracking in Urban Traffic Scenes with a Multiclass Object Detector
Hui-Lee Ooi,Guillaume-Alexandre Bilodeau,Nicolas Saunier,David-Alexandre Beaupré
3+阅读 · 2018年9月6日
MAT-CNN-SOPC: Motionless Analysis of Traffic Using Convolutional Neural Networks on System-On-a-Programmable-Chip
Somdip Dey,Grigorios Kalliatakis,Sangeet Saha,Amit Kumar Singh,Shoaib Ehsan,Klaus McDonald-Maier
3+阅读 · 2018年7月5日
Chenglong Li,Liang Lin,Wangmeng Zuo,Jin Tang,Ming-Hsuan Yang
5+阅读 · 2018年4月30日
Tianyu Yang,Antoni B. Chan
8+阅读 · 2018年3月20日
Nils Bore,Patric Jensfelt,John Folkesson
6+阅读 · 2018年1月28日
Shang-Fu Chen,Yi-Chen Chen,Chih-Kuan Yeh,Yu-Chiang Frank Wang
14+阅读 · 2017年12月20日
Top