LH-GSTGNN: Lag-Heterogenitätsgesteuertes Spatio-temporales Graph Neural Network

Die spatio-temporale Vorhersage ist grundlegend für eine Vielzahl von Anwendungen, einschließlich der Vorhersage des Verkehrsflusses und der Überwachung der Luftqualität. In der realen Welt werden spatio-temporale Systeme jedoch selten von homogenen oder synchronisierten Interaktionen bestimmt. Räumliche Abhängigkeiten variieren oft zwischen Regionen, zeitliche Muster entwickeln sich auf mehreren Skalen, und der Einfluss eines Standorts auf einen anderen kann mit dynamischen, regionsspezifischen Verzögerungen auftreten, anstatt auf synchronisierte Weise. Diese heterogenen und asynchronen Verzögerungsmerkmale stellen erhebliche Herausforderungen für die genaue Vorhersage dar, während die meisten bestehenden Methoden auf statischen räumlichen Graphen oder synchronisierten zeitlichen Modellen basieren, was ihre Fähigkeit einschränkt, komplexe reale Dynamiken zu erfassen. Um dem entgegenzuwirken, schlagen wir das Lag-Heterogenitätsgesteuerte Spatio-temporale Graph Neural Network (LH-GSTGNN) vor. Anstatt auf stationären Annahmen zu beruhen, betrachtet LH-GSTGNN die Verzögerungsheterogenität als explizites Modellierungsziel. Es charakterisiert sich entwickelnde räumliche Abhängigkeiten, erfasst zeitliche Dynamiken über mehrere Bereiche und hebt verzögerte Reaktionen hervor, die in intermediären Darstellungen eingebettet sind. Auf diese Weise bewahrt das vorgeschlagene Rahmenwerk heterogene und asynchrone Interaktionen, die ansonsten tendenziell geglättet werden, und liefert eine treuere Darstellung der realen spatio-temporalen Dynamik. Umfassende Experimente mit neun Datensätzen aus der realen Welt, die den Verkehrsfluss, die Verkehrsgeschwindigkeit und die Vorhersage der Luftqualität abdecken, zeigen, dass LH-GSTGNN konsequent starke Baselines übertrifft und eine um bis zu 4,9% niedrigere MAE und eine um 2,9% niedrigere RMSE als die zweitbeste Methode erreicht. Visualisierungsbasierte Fallstudien zeigen zudem seine Wirksamkeit beim Modelling sowohl der räumlichen Heterogenität als auch der vielfältigen zeitlichen Schwankungen.