时空序列建模：如何融合时间模型和空间模型？——时空预测中的三种经典架构 | 图神经网络：动态图（Dynamic Graph，Dynamic GNN），如何将 动态图 转换成 等价静态图？

最新推荐文章于 2025-06-05 14:32:03 发布
置顶 最新推荐文章于 2025-06-05 14:32:03 发布
阅读量404 收藏 4
点赞数 5
CC 4.0 BY-SA版权
分类专栏： 百题千解计划(项目 实战 案例） 文章标签： 人工智能 深度学习 时间序列 时空序列建模 图神经网络 动态图 Dynamic Graph
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_44731019/article/details/135332642

目录

一、如何融合时间模型和空间模型？——时空预测中的三种经典架构

介绍 Spatial-Temporal (时空) 预测模型的三种经典架构

时空预测模型的主要目标，是在时间序列预测的基础上，考虑各个序列之间的相互影响关系，实现更准确的预测。

例如交通预测中，考虑各个站点的邻近关系对流量的影响。    一般的时空预测模型，都需要联合 时间维度模型和空间维度模型，那么，这两个部分的模型如何联合呢？

 

业内主流的融合方法 包括融合、串联和并联三种架构。

第一种是融合架构，DCRNN采用融合的方式，在RNN的每个时间步计算中，都引入了图上的信息，也就是说，RNN在每个时刻的状态更新上，考虑的不再是原来自己序列的信息，而是空间中所有序列的信息，并以邻接矩阵作为指导。

了解本专栏 订阅专栏 解锁全文
【追光者♂】深入理解 动态图表示学习 | 如何学动态图的Representation / Embedding ？| 详解动态图神经网络 | 如何理解动态图中的“事件”？| 5种动态图表示学习方法
追光者♂：记录、分享、总结、提升，现象级专栏《Python从入门到人工智能》作者，无惧黑暗，坚信曙光
01-27 302
Graph Representation Learning，图表示学习，可以总结为一个范式： 有三个部分：一部分是 Input、一部分是 Prediction，还有中间的第三部分。Input这里，DG，就是我们说的 Dynamic Graph。 了解了 动态图的输入，下面就是 根据 我们的任务 去做Prediction。那么如何去做Prediction呢？ 要经过一个中间过程，这个中间过程 就是去学一个，或者说是 的这样一个过程。也就是图里边的这个ZZZ。 那么最关键的地方是在哪里，很显然，
时空序列预测建模
07-06
论文提出了一种新的融合空间尺度特征的时空序列预测建模方法。
[2022 ICLR] Pyraformer: Low-Complexity Pyramidal Attention for Long-Range 时空序列建模和预测
小卜妞的博客
04-21 4660
Pyraformer: Low-Complexity Pyramidal Attention for Long-Range T-S Modeling and Forecasting 低复杂度的金字塔型注意力模型，用于长时序列建模和预测 我们研究的时空数据类任务（预测或异常检测等），需要考虑时间和空间两个维度。目前的研究成果在空间维度基本是以图卷积为主导，不同之处在于不同工作中定义的图类型有所不同，一般是静态图（即地理位置形成的天然拓扑图），还有结合时间或POI等额外信息计算得到的节点拓扑关系，一般称为动态
LSTM 与 Transformer 结合竟能让时空建模如此简单！
最新发布
2501_91624122的博客
06-05 902
本文探讨了LSTM与Transformer在时空建模中的互补性及其融合应用。LSTM擅长时序分析但空间建模不足，Transformer精于空间关系却存在时序损耗，两者结合可解决智能电网、自动驾驶等场景的复杂预测问题。研究提出了SwinLSTM等新型融合架构，通过分层处理实现"时序提取+空间融合"，实验表明其预测精度显著提升。此外，Transformer-LSTM-PSO模型结合优化算法，在电网预测中降低误差15-20%。这些创新方法为时空预测提供了更高效的解决方案，推动了相关领域的技术发
【亲测免费】 探索前沿AI模型：TopFormer——一种高效的时空序列建模框架
gitblog_00046的博客
04-27 707
探索前沿AI模型：TopFormer——一种高效的时空序列建模框架 在人工智能领域，尤其是在时间序列分析和预测中，高效且准确的模型是关键。最近，由华中科技大学的研究团队开发了一个名为TopFormer的开源项目，它是一个新颖的时空序列建模框架，旨在为各种复杂的时间序列任务提供更优解决方案。本文将深入探讨TopFormer的技术细节、应用场景以及其独特优势，希望鼓励更多的开发者和研究人员尝试并利用此...
用于多步乘客需求预测的深度时空序列建模
zuiyishihefang的博客
05-18 551
文章信息《Deep spatial–temporal sequence modeling for multi-step passenger demand prediction》是2021年发表在《Future Generation Computer Systems》上的一篇文章。摘要供需失衡给出租车和共享汽车(汽车和自行车)等交通系统带来了巨大挑战，并导致过度延误、收入损...
基于Transformer的时空融合网络地铁客流预测模型
zuiyishihefang的博客
08-12 5064
1.文章信息本周阅读的论文是题目为《Transformer Based Spatial-Temporal Fusion Network for Metro Passenger Flow Forecasting》的一篇2021年发布在International Conference on Automation Science and Engineering (CASE)会议...
NLP高频面试题（三十一）——多模态预训练模型的主要结构、特征对齐与融合方法及对比损失函数详解
WeLearnNLP
04-02 2359
多模态预训练模型通过创新的架构设计和训练策略，在跨模态理解和表示学习上取得了显著进展。从单塔到双塔，从编码器-解码器混合到图结构模型，研究者们探索了不同的模态融合途径；配合显式与隐式对齐手段以及有效的对比学习损失，当前的多模态模型已经能够在图文检索、视觉问答、图像描述生成等任务上接近甚至超越专门的有监督模型。可以说，多模态预训练成为了继NLP和CV单模态预训练之后的又一个AI热点领域。模型规模与泛化：与单模态的大型预训练模型类似，多模态模型的参数规模和训练数据规模在迅速增长。
论文研读 | 解耦动态时空图神经网络交通预测
ST_group的博客
12-25 1976
本文是由中科院大学2022年发表于VLDB会议的一篇文章，作者创新地提出了一种解耦时空框架——DSTF，提升了模型在交通流预测任务中的性能，并在两个真实数据集上进行了验证。作者通过将先验知识融合进模型结构中，从而提升模型性能的思路值得借鉴，以下对论文进行分享介绍。
从图嵌入算法到图神经网络
热门推荐
luv_dusk 的博客
08-13 1万+
近几年来，伴随着计算机算力的急剧提升，神经网络从历史的尘埃中走出，横扫各大领域，完成一次次颠覆性的创新。依托高度弹性的参数结构，线性与非线性的矩阵变换，神经网络能适用于各式各样的数学场景，在各个类别的应用上我们都能看到神经网络的影子。其中著名的应用方向，包括自然语言处理、计算机视觉、机器学习、生物医疗、推荐系统、自动驾驶等等。图神经网络，广泛应用于社交关系、知识图谱、推荐系统、蛋白质分子建模，同样源自于对传统领域的创新，它的前身是图嵌入算法；而图嵌入算法又以图数据作为载体。这一关系，将贯穿本文始末，成为我们
PaperNote - 基于时空特征融合的入侵检测系统模型
When you collect everything, you understand nothing.
03-09 2786
原文标题：Model of the intrusion detection system based on the integration of spatial-temporal features 原文作者：Jianwu Zhang, Yu Ling, Xingbing Fu, Xiongkun Yang, Gang Xiong, Rui Zhang 原文来源：Computers & Se...
EDCSTFN（用于时空图像融合的增强深度卷积模型）
qq_27326125的博客
06-21 1596
遥感图像时空融合 第一章 DCSTFN：https://editor.csdn.net/md/?articleId=117733388 EDCSTFN这篇文章是对DCSTFN的改进。其中的方法有相当可以学习的地方。 本文的贡献：1、采用全新的网络结构和新的复合损耗函数对融合结果进行了显著改进。在两个不同领域进行的实验通过与现有算法进行比较，证明了这些改进。 2、比较讨论了现有基于深度学习的时空融合模型的优缺点，为未来时空融合研究提供了网络设计指导。 目前的问题：用于特征级融合的从CNN模型中预测的图像不
Dynamic Graph Learning-Neural Network for Multivariate Time Series Modeling
小蚂蚁与大象
06-02 479
Dynamic Graph Learning-Neural Network for Multivariate Time Series Modeling 摘要：多元时间序列预测是一项具有挑战性的任务，因为数据涉及长期和短期模式的混合，变量之间具有动态的时空相关性。现有的图神经网络(GNN)通常用预定义的空间图或学习到的固定邻接图来建模多元关系。它限制了GNN的应用，无法应对上述挑战。在本文中，我们提出了一个新的框架，即静态和动态图学习神经网络(SDGL)。该模型从数据中获取静态和动态图矩阵，分别对长期和短期
【时空融合：遥感图像】
weixin_43690932的博客
12-17 5188
仅供自己参考
暴力涨点首选：时空特征融合！8种创新思路全面汇总！
Aimoxin111的博客
03-05 1050
例如，BEV模型在自然干扰下表现出更好的稳定性，但在对抗性噪声下更脆弱，主要由于BEV特征的冗余性导致（如在对抗性攻击下，BEV特征图中无目标区域的激活增加，产生大量误检）。例如，BEVFormer在类别特定贴片攻击和时间通用贴片攻击中表现出更好的鲁棒性，这可能归因于其对历史BEV特征的利用，从而提高了对通用对抗性噪声的鲁棒性。3D一致贴片攻击：提出了3D一致贴片攻击方法，通过在3D空间中粘贴对抗性贴片并投影到2D图像上，确保贴片在多视角和时间序列中的空间和时间一致性。
AI应用大咖说：多相机的时空融合模型架构算法优化
浪潮圈
12-22 465
随着人工智能技术的广泛应用，智能驾驶系统正在成为汽车的标配。而作为识别周边环境的“火眼金睛”，“感知”模块是智能驾驶系统安全、高效运行的核心，而视觉感知更是其中无比重要的一环。 近日，浪潮信息人工智能与高性能应用软件部自动驾驶AI研究员赵云博士，在题为《探索自动驾驶纯视觉感知精度新突破——多相机的时空融合模型架构算法优化》的自动驾驶线上研讨会上，向我们揭开了这一自动驾驶感知算法的神秘面纱。
空间时序数据建模及推荐系统应用Spatiotemporal Modeling and Recommendati
AI天才研究院
09-15 2198
作者：禅与计算机程序设计艺术 1.简介 一、背景介绍 1.1 什么是空间时序数据？ 空间时序数据(Space-time data)，又称空间时空数据或时空数据，是指具有位置属性、时间属性和其他属性的数据。位
AI时空建模的关键技术步骤解析
AI大模型应用之禅
11-08 638
AI时空建模, 时空数据, 深度学习, 图神经网络, 时序预测, 空间分析, 计算机视觉 1. 背景介绍 随着人工智能技术的飞速发展，时空数据在各个领域得到了广泛应用，例如交通管理、城市规划、精准营销等。时空数据包含了时间和空间两个维度的信息，其复杂性和多样性使得传统的处理方法难以满
怎么理解动态图神经网络（DGNN）中的编码-解码框架（encoding-decoding）
04-01
在动态图神经网络（Dynamic Graph Neural Networks, DGNN）中，编码-解码框架是一种常见的结构设计方法。这种架构通过分离数据处理的不同阶段来提高模型的表现力和可解释性。具体来说，编码器负责提取输入数据的特征...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

追光者♂

谢谢你呀！一起加油！

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值