【报告内容】

汇报人：翁紫阳

汇报单位：河海大学

主题：《Frigate: Frugal spatio-temporal forecasting on road networks》

1、Introduction

2、Method

3、Experiments

4、Conclusions

【报告总结】

1.待解决的问题描述

是否可以基于图中仅部分节点的感知数据，设计一个准确且具有归纳能力的预测模型，从而实现对全图节点的预测？

此外，该模型是否能够在时间序列可见性不完整，甚至完全缺失的情况下，依然有效地进行预测？

2、相关创新方案

为实现鲁棒的预测，我们开发了一种新型时空图神经网络——Frigate。从高层次看，Frigate 是一个由 GNN 和 LSTM 堆叠组成的编码器-解码器结构（详见第3节）。在实现细节上，Frigate 包含以下创新：

1）为应对传感器部署受限的情况，Frigate 使用基于 Lipschitz 门控注意力的消息传递机制。门控机制使 Frigate 能够从远处的邻居节点接收信息，同时避免节点邻域的过度平滑。

2） Lipschitz 嵌入使 Frigate 能够在节点表示中归纳嵌入位置信息，从而实现归纳学习。

3）Frigate 是归纳性的，因此不需要因网络更新而重新训练模型。

3、实验总结

本文提出了时空图神经网络Frigate，通过Lipschitz嵌入、Sigmoid门控、方向性消息聚合和统计矩先验等设计，提升了交通流量预测的准确性和鲁棒性。在多个数据集上，Frigate的预测误差显著低于现有方法，尤其在高流量节点表现优异。此外，模型具备出色的归纳能力和对拓扑变化的适应性，实现了少数据条件下的高效预测，展现出广泛的应用潜力。

4.未来工作

Frigate以应对更大规模和动态变化的道路网络，探索多模态数据融合来提升对异常交通状况的预测能力，同时提高模型在不同城市和区域间的迁移泛化性能。此外，还将研究实时更新模型以适应道路拓扑频繁变动的方法，并结合边缘计算和分布式系统将Frigate实际部署到交通管理系统中，实现实时预测和决策支持。

报告时间：2025年01月10日19:30

腾讯会议：311-5999-8176

点我下载本讨论课相关文献或PPT吧~(提取码：iipr)