Dynamic Graph Neural Network with Adaptive Edge Attributes for Air Quality Predictions

要約

大気質の予測は、典型的な時空間モデリングの問題であり、常に異なるコンポーネントを使用して、複雑なシステムの空間的依存性と時間的依存性を別々に処理します。
時系列分析とリカレント ニューラル ネットワーク (RNN) メソッドに基づく以前のモデルは、空間情報を無視して時系列のみをモデル化していました。
以前のGCNベースの方法では、通常、観測サイトの空間相関グラフ構造を事前に提供する必要があります。
これらのサイト間の相関関係とその強度は、通常、事前情報を使用して計算されます。
ただし、人間の認知の限界により、限られた事前情報では、実際のステーション関連の構造を反映したり、正確な予測のためのより効果的な情報を提供したりすることはできません。
この目的のために、エッジ属性をモデルパラメーターとして学習することにより、適応双方向動的グラフを生成する、メッセージパッシングネットワーク上の適応エッジ属性を備えた新しい動的グラフニューラルネットワーク (DGN-AEA) を提案します。
エッジを確立するための事前情報とは異なり、この方法は、事前情報なしでエンドツーエンドのトレーニングを通じて適応エッジ情報を取得できます。
したがって、問題の複雑さが軽減されました。
さらに、ステーション間の隠れた構造情報は、モデルの副産物として取得でき、その後の意思決定分析に役立ちます。
実験結果は、私たちのモデルが他のベースラインよりも最先端のパフォーマンスを発揮したことを示しています。

要約(オリジナル)

Air quality prediction is a typical spatio-temporal modeling problem, which always uses different components to handle spatial and temporal dependencies in complex systems separately. Previous models based on time series analysis and Recurrent Neural Network (RNN) methods have only modeled time series while ignoring spatial information. Previous GCNs-based methods usually require providing spatial correlation graph structure of observation sites in advance. The correlations among these sites and their strengths are usually calculated using prior information. However, due to the limitations of human cognition, limited prior information cannot reflect the real station-related structure or bring more effective information for accurate prediction. To this end, we propose a novel Dynamic Graph Neural Network with Adaptive Edge Attributes (DGN-AEA) on the message passing network, which generates the adaptive bidirected dynamic graph by learning the edge attributes as model parameters. Unlike prior information to establish edges, our method can obtain adaptive edge information through end-to-end training without any prior information. Thus reduced the complexity of the problem. Besides, the hidden structural information between the stations can be obtained as model by-products, which can help make some subsequent decision-making analyses. Experimental results show that our model received state-of-the-art performance than other baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google