Spatio-Temporal Graph Neural Networks for Predictive Learning in Urban Computing: A Survey

要約

タイトル：都市計算の予測学習のための時空間グラフニューラルネットワーク：サーベイ

要約：
– 最近のセンシング技術の進歩により、スマートシティでさまざまな時空間データが生成されて記録されている。
– これらの時空間データの進化パターンを予測することは、交通、環境、気候、公共安全、医療などのさまざまな分野でインテリジェントな管理決定を向上するうえで重要である。
– 伝統的な統計的および深層学習手法は都市の時空データの複雑な相関を捉えることができないため、時空間グラフニューラルネットワーク（STGNN）が提案され、近年大きな進展を遂げている。
– この論文では、都市計算における予測学習におけるSTGNN技術の最近の進歩について包括的なサーベイを提供する。
– まず、時空グラフデータの構築方法と、STGNNで使用される主要なディープラーニングアーキテクチャについて簡単に紹介する。
– 次に、既存文献に基づいて、主要な応用領域と具体的な予測学習タスクを整理する。
– その後、STGNNの設計と、最近のいくつかの高度な技術との組み合わせについて詳しく調べる。
– 最後に、現在の研究の限界をまとめ、将来の研究の可能性について提案する。

要約(オリジナル)

With recent advances in sensing technologies, a myriad of spatio-temporal data has been generated and recorded in smart cities. Forecasting the evolution patterns of spatio-temporal data is an important yet demanding aspect of urban computing, which can enhance intelligent management decisions in various fields, including transportation, environment, climate, public safety, healthcare, and others. Traditional statistical and deep learning methods struggle to capture complex correlations in urban spatio-temporal data. To this end, Spatio-Temporal Graph Neural Networks (STGNN) have been proposed, achieving great promise in recent years. STGNNs enable the extraction of complex spatio-temporal dependencies by integrating graph neural networks (GNNs) and various temporal learning methods. In this manuscript, we provide a comprehensive survey on recent progress on STGNN technologies for predictive learning in urban computing. Firstly, we provide a brief introduction to the construction methods of spatio-temporal graph data and the prevalent deep-learning architectures used in STGNNs. We then sort out the primary application domains and specific predictive learning tasks based on existing literature. Afterward, we scrutinize the design of STGNNs and their combination with some advanced technologies in recent years. Finally, we conclude the limitations of existing research and suggest potential directions for future work.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI