什么是全连接时空图模型(FC-STGNN)

AI解读 2个月前 硕雀
92 0

什么是全连接时空图模型FC-STGNN

全连接时空图模型(Fully Connected Spatio-Temporal Graph Neural Network, FC-STGNN)是一种旨在全面建模多变量时间序列MTS)数据中空间-时间依赖性的新方法。它由两个主要组成部分构成:全连接图构造和全连接图卷积

全连接图构造

分段与编码

全连接图构造的第一步是对每个MTS样本进行分段,即将每个传感器的信号分割成多个时间戳对应的部分。接着,每个传感器的信号会被编码为传感器特征。例如,给定一个MTS样本,通过考虑MTS数据中的局部时间模式,将每个传感器的信号分割成多个补丁,然后使用编码器来处理每个窗口内的分段信号。

通过点积计算实现全连接

在多个补丁中学习传感器特征后,可以通过点积计算来构建一个全连接图。这种方法假设相关传感器应表现出相似的属性,使其特征在特征空间中接近。因此,通过点积来量化两个传感器之间的相似性,从而实现全连接。

衰减矩阵设计

为了改善全连接图,设计了一个衰减矩阵来考虑各个时间戳之间的时间距离。时间上较近的传感器分配了更大的相关性,以确保时间上接近的传感器之间展现出更强的相关性。

全连接图卷积

全连接图卷积的主要目的在于捕获MTS数据中的空间-时间依赖关系。一种方法是直接在整个图上执行图卷积,但这可能无法有效地捕获局部空间-时间依赖关系。为了解决这个问题,FC-STGNN提出了移动-池化GNN层。

移动-池化GNN层

移动-池化GNN层采用特定大小的移动窗口沿着时间戳滑动。在每个窗口内,执行图卷积以通过边缘传播更新节点特征。这种方法类似于卷积神经网络CNNs)中局部卷积的概念,有助于捕捉局部模式并减少计算成本。

应用与效果

FC-STGNN在多个数据集上展示了改进的性能,尤其是在剩余使用寿命(RUL)预测、人类活动识别(HAR)和睡眠阶段分类(SSC)等任务中。它解决了现有方法在捕捉复杂空间-时间依赖性方面的局限性,为MTS数据分析提供了重要的进步。

来源:www.aiug.cn
声明:文章来源于网络,如有侵权请联系删除!