首页 > 其他分享 >论文阅读笔记:ST-MetaNet-2

论文阅读笔记:ST-MetaNet-2

时间:2024-08-14 19:27:14浏览次数:14  
标签:RNN 笔记 ST 学习 神经网络 Meta 属性 节点 MetaNet

目录

预备知识

定义1:城市交通

定义2:Geo-graph属性

问题1

方法

RNN

元学习器

元图注意力网络

元循环神经网络


预备知识

在本节中,我们介绍定义和问题陈述。为简洁起见,我们在表1中提供了一个注释表。

假设有N_l个位置,它们报告N_t时间戳上的D_t类型的流量信息。 

注:我猜测这里所陈述的D_t应为类似于“重度拥堵”,“轻度拥堵”等类型信息。

定义1:城市交通

城市交通记为一个向量\chi =(X_1,...,X_{N_t}) \in \mathbb{R}^{N_t \times N_l \times D_t},其中X_t=(x_t^{(1)},...,x_t^{(N_l)})表示在时间t所有位置的交通流量信息。

定义2:Geo-graph属性

Geo-graoh属性代表位置周围的环境以及其相互关系,分别对应节点属性和边属性。形式上,使图G=(V,E)代表一个有向图,V和E分别是表示该位置特征和表示位置间联系的向量列表。此外,我们使用Ni来表示节点i的邻居。

问题1

给定前序交通信息输入流\tau_{in}和geo-graph信息G,预测下一时间步中所有地理位置的输出流信息\tau _{out}

方法

在本节中,我们描述了用于流量预测的st -MetaNet的架构,如图3(a)所示。遵循序列到序列(Seq2Seq)架构,ST-MetaNet由两个独立的单元组成:编码码器(蓝色部分)和解码器(绿色部分)。前者用于对输入序列进行编码,如,城市历史交通信息数据,产出隐状态H_{RNN},H_{Meta-RNN},作为解码器的初始状态,并据此输出未来若干时间步的预测交通流量。

更具体一些来进行说明,编码器和解码器有着相同的网络结构,包含四个组成部分:

RNN

我们使用RNN来嵌入历史城市交通序列,能够学习长时间的时序依赖关系。

元学习器

如图3(b)所示,我们使用两个全连接网络(FCNs),命名为节点元知识学习器(Node-Meta-Knowledge Learner)(NMK-Learner)和边元知识学习器(Edge-Meta-Knowledge Learner)(EMK-Learner),分别从节点属性(如POIs和GPS位置)和边属性(如位置间距离和道路连通性)中学习节点和边的元知识。然后,将学习到的元知识进一步用于学习另两种网络的权重,即图注意力网络 (GAT)和循环神经网络。以一个节点为例,节点的属性输入给NMK-Learner,随后其输出一个向量,代表该节点的元知识。

元图注意力网络

如图3(c)所示,元图注意力网络(Meta Graph Attention Network)(Meta-GAT)由一个元学习器和一个图神经网络组成。它的输入是所有节点和边的元知识边,输出是图注意力网络的权重。Meta-GAT通过沿边单独广播位置的隐状态来捕获不同的空间相关性。

元循环神经网络

如图3(d)所示,元循环神经网络(Meta Recurrent Neural Network)(Meta-RNN)由一个元学习器和一个循环神经网络组成。这里的元学习器是一个典型的FCN,其输入是所有节点的元知识,输出是RNN对每个位置的权重。Meta-RNN可以捕获与位置的地理信息相关的时间相关性。

标签:RNN,笔记,ST,学习,神经网络,Meta,属性,节点,MetaNet
From: https://blog.csdn.net/2301_79335566/article/details/141194781

相关文章

  • OFtutorial08_customBC解析
    组成prescribedPipeInletFvPatchVectorField.H头文件#ifndefprescribedPipeInletFvPatchVectorField_H#defineprescribedPipeInletFvPatchVectorField_H#include"fvPatchFields.H"#include"fixedValueFvPatchFields.H"#include"Switch.H&qu......
  • 8个快速提升工作效率的印象笔记(Evernote)使用技巧,你掌握了吗?
    印象笔记(Evernote)是一款强大的笔记软件,它可以帮助用户更好地组织和管理信息。为了提升使用印象笔记的效率,以下是几个实用的技巧:1.快速记录想法1.1快速创建笔记印象笔记的电脑和手机客户端都有快速创建笔记的功能。在主屏向下滑动,可以在通知栏中添加笔记。如果下滑后没有......
  • 使用diffusers来训练自己的Stable Diffusion 3大模型
    基于diffusers的Stablediffusion训练代码这里给大家介绍一个基于diffusers库来训练stablediffusion相关模型的训练代码,包含Lora、ControlNet、IP-adapter、Animatediff,以及最新的stablediffusion3lora版本的训练代码。现有的一些类似kohya-ss训练器虽然用起来方便,但......
  • CF1383E Strange Operation
    小清新Counting题,想到转化成序列计数后就不难了考虑将一个0/1串等价转化为一个刻画相邻两个\(1\)之间有几个\(0\)的序列比如样例中的\(00101100011100\)就可以转化为\(\{2,1,0,3,0,0,2\}\)这个序列,显然转化后的序列和原来的0/1串等价考虑此时一次操作相当于将序......
  • docker-swarm test
    DockerService(服务)是用于定义和管理单个容器服务的概念。 DockerCompose,它是用来进行一个完整的应用程序相互依赖的多个容器的编排的,但是缺点是不能在分布式多机器上使用; Dockerswarm,它构建了docker集群,并且可以通过dockerservice在不同集群节点上运行容器服务,但是缺点......
  • SQL中exists和in的用法以及区别
    SQL中exists和in的用法以及区别  目录一、in用法二、exists用法三、in与exists的区别in语句:只执行一次exists语句:执行n次(外表行数)区别和应用场景notin和notexists四、结论 一、in用法in 语法为:select*fromtable_namewherecol_namei......
  • 《python程序语言设计》2018版第7章第2题创建一个stock类,一个公司股票。创建stock,包含
    使用百分比法计算股票变化值百分比法是计算股票变化值的常用方法。具体操作是:将当前股票价格与前一交易日的股票价格进行比较,计算出价格变动的百分比。公式为:(当前价格-前一交易日价格)/前一交易日价格×100%。这种方法简单明了,可以快速得出股票变化的百分比。......
  • Mysql 中Exists
    existsexists对外表用loop逐条查询,每次查询都会查看exists的条件语句,当exists里的条件语句能够返回记录行时(无论记录行是的多少,只要能返回),条件就为真,返回当前loop到的这条记录;反之,如果exists里的条件语句不能返回记录行,则当前loop到的这条记录被丢弃,exists的条件就像一个bool条件......
  • java+testng+selenium实现测试用例过程的录制,生成GIF。
    1.功能需求:支持灵活配置:因为本身已有用例执行失败的截图功能,所以需要支持针对单条测试用例的配置;支持testng框架xml多线程的执行;录制内容文件小、支持调整录制每帧间隔、每条用例录制最大时长(避免用例元素未定位到时长时间录制)。2.灵活配置实现创建注解,通过在测试用......
  • exists 用法
    exists用法exists 语法为:select*fromtable_aawhereexists(select1fromtable_bbwhereb.id=b.id);exists 对外表用 loop 逐条查询,每次查询都会查看 exists 的条件语句。当 exists 里的条件语句能够返回记录行时(无论返回多少记录行,只要能返回),条件就为真......