A lightweight spatiotemporal graph dilated convolutional network for urban sensor state prediction

计算机科学 卷积(计算机科学) 图形 数据挖掘 人工智能 机器学习 深度学习 比例(比率) 理论计算机科学 人工神经网络 量子力学 物理
作者
Peixiao Wang,Hengcai Zhang,Shifen Cheng,Tong Zhang,Feng Lu,Sheng Wu
出处
期刊:Sustainable Cities and Society [Elsevier]
卷期号:101: 105105-105105
标识
DOI:10.1016/j.scs.2023.105105
摘要

Spatiotemporal prediction is one attractive research topic in urban computing, which is of great significance to urban planning and management. At present, there are many attempts to predict the spatiotemporal state of systems using various deep learning models. However, most existing models tend to improve prediction accuracy with larger parameter scale and time consumption, but ignoring ease of use in practice. To overcome this question, we propose a lightweight spatiotemporal graph dilated convolutional network called STGDN with satisfactory prediction accuracy and lower model complexity. More specifically, we propose a novel dilated convolution operator and integrate it into traditional causal convolutional networks and graph convolutional networks to greatly improve the efficiency of prediction. The proposed dilated convolution operator can significantly reduce the depth of the model, thereby reducing the parameter scale and improving the computational efficiency of the model. We conducted on multi experiments on three real-world spatiotemporal datasets (traffic dataset, PM2.5 dataset, and temperature dataset) to prove the effectiveness and advantage of our proposed STGDN. The experimental results show that the proposed STGDN model outperforms or achieves comparable prediction accuracy of the existing nine baselines with higher operational efficiency and fewer model parameters. Codes are available at anonymous private link on https://doi.org/10.6084/m9.figshare.23935683.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
EE完成签到 ,获得积分10
3秒前
4秒前
victory_liu完成签到,获得积分10
8秒前
11完成签到 ,获得积分10
13秒前
pp1230完成签到,获得积分10
15秒前
艾欧比完成签到 ,获得积分10
24秒前
妄语完成签到 ,获得积分10
24秒前
徐茂瑜完成签到 ,获得积分10
24秒前
mrwang完成签到 ,获得积分10
25秒前
hellozijia完成签到 ,获得积分10
27秒前
白嫖论文完成签到 ,获得积分10
30秒前
kuyi完成签到 ,获得积分10
39秒前
温如军完成签到 ,获得积分10
42秒前
三杠完成签到 ,获得积分10
47秒前
jhxie完成签到,获得积分10
53秒前
自然怀梦完成签到,获得积分10
53秒前
ming完成签到,获得积分10
53秒前
拉塞尔....完成签到 ,获得积分10
57秒前
懒YY捉小J完成签到 ,获得积分10
1分钟前
1分钟前
欢呼阁完成签到,获得积分10
1分钟前
口布鲁完成签到,获得积分10
1分钟前
luochen完成签到,获得积分10
1分钟前
1分钟前
努力看文献的小杨完成签到,获得积分10
1分钟前
angel发布了新的文献求助50
1分钟前
yml完成签到 ,获得积分10
1分钟前
t铁核桃1985完成签到 ,获得积分10
1分钟前
阿升发布了新的文献求助10
1分钟前
雨落瑾年完成签到 ,获得积分10
1分钟前
yml完成签到 ,获得积分10
1分钟前
Jiaox发布了新的文献求助10
1分钟前
lr完成签到 ,获得积分10
1分钟前
NN发布了新的文献求助30
1分钟前
无奈的邪欢完成签到,获得积分20
1分钟前
无花果应助angel采纳,获得10
1分钟前
1分钟前
桐桐应助阿升采纳,获得10
1分钟前
翁雁丝完成签到 ,获得积分10
1分钟前
shihui完成签到 ,获得积分10
1分钟前
高分求助中
The ACS Guide to Scholarly Communication 2500
Sustainability in Tides Chemistry 2000
Pharmacogenomics: Applications to Patient Care, Third Edition 1000
Studien zur Ideengeschichte der Gesetzgebung 1000
TM 5-855-1(Fundamentals of protective design for conventional weapons) 1000
Threaded Harmony: A Sustainable Approach to Fashion 810
Genera Insectorum: Mantodea, Fam. Mantidæ, Subfam. Hymenopodinæ (Classic Reprint) 800
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3085477
求助须知:如何正确求助?哪些是违规求助? 2738299
关于积分的说明 7548970
捐赠科研通 2387966
什么是DOI,文献DOI怎么找? 1266264
科研通“疑难数据库(出版商)”最低求助积分说明 613371
版权声明 598584