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
龙梦完成签到,获得积分10
刚刚
WQH完成签到,获得积分10
1秒前
吉吉完成签到,获得积分10
1秒前
1秒前
合适尔槐完成签到 ,获得积分10
2秒前
2秒前
戈笙gg完成签到,获得积分10
2秒前
我欲成粉绿完成签到,获得积分10
2秒前
3秒前
十里桃花不徘徊完成签到,获得积分10
3秒前
Voyager完成签到,获得积分10
3秒前
SunDeer完成签到 ,获得积分10
3秒前
WWXWWX发布了新的文献求助10
3秒前
3秒前
科目三应助时尚幻莲采纳,获得10
4秒前
深情安青应助宁阿霜采纳,获得10
4秒前
晨昏发布了新的文献求助10
4秒前
cx完成签到,获得积分20
5秒前
5秒前
aaaaaa完成签到 ,获得积分10
5秒前
傻傻的念瑶完成签到 ,获得积分10
6秒前
吉吉发布了新的文献求助10
6秒前
natsu完成签到,获得积分10
7秒前
8秒前
史道夫发布了新的文献求助10
11秒前
橙子完成签到,获得积分10
11秒前
红红的红红完成签到,获得积分10
11秒前
pv2000完成签到 ,获得积分10
12秒前
12秒前
12秒前
莉亚完成签到,获得积分20
12秒前
12秒前
13秒前
13秒前
wanci应助难得糊涂岳麓山采纳,获得10
13秒前
Hello应助难得糊涂岳麓山采纳,获得10
13秒前
14秒前
许许完成签到,获得积分10
14秒前
文于发布了新的文献求助10
15秒前
英姑应助莉亚采纳,获得10
15秒前
高分求助中
Sustainability in Tides Chemistry 2800
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
юрские динозавры восточного забайкалья 800
Foreign Policy of the French Second Empire: A Bibliography 500
Chen Hansheng: China’s Last Romantic Revolutionary 500
XAFS for Everyone 500
Classics in Total Synthesis IV 400
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 3144560
求助须知:如何正确求助?哪些是违规求助? 2796059
关于积分的说明 7817719
捐赠科研通 2452134
什么是DOI,文献DOI怎么找? 1304892
科研通“疑难数据库(出版商)”最低求助积分说明 627331
版权声明 601432