时空图神经网络预测学习应用解析人工智能

随着传感和数据流处理技术的快速进步，城市系统中越来越多的数据被高效地收集和存储，为城市计算时代的到来奠定了基础。城市计算旨在从大数据爆发的不同应用领域(如交通、环境、安全等)了解城市的模式和动态。根据城市计算理论[1]，基于这些海量城市数据的预测学习是最重要的循环，其中是智慧城市智能决策、调度和管理的基础。此外，城市大数据的可预测性也可以为数字孪生、元宇宙[2]等一些新技术的发展提供可能。

我们的贡献与之前的调研相比，我们调查的贡献总结为:

据我们所知，这是第一个全面的综述，回顾了最近探索STGNN在城市计算中的预测性学习任务的工作。我们通过充分的文献，主要从应用和方法的角度回顾了STGNN的进展。

我们首先根据现有文献对STGNN在城市计算中的主要应用领域和特定预测学习任务进行了分类。此外，我们还整理了一些与之前关于STGNN的工作附带的公开数据集。

本调研的组织本调研的其余部分组织如下。第二节介绍了时空图的构建。第三节概述了不同领域的各种预测性学习任务，这些任务可以通过STGNN来解决。第四节介绍了在STGNN框架中广泛采用的基本深度学习架构。第五节深入分析了STGNN框架的神经架构设计方法和一些可以结合的流行先进技术。第V节讨论了现有工作的局限性，并提出了未来的方向。最后，我们在第VI节中总结了这一调查。

时空图神经网络

改进的STGNN时空依赖学习方法

在第四节中，我们介绍了STGNN的基本神经架构，增强了对STGNN中时空学习泛化范式的理解。然而，近年来出现了许多前沿方法来改进时空依赖关系的学习。在本节中，我们总结并分析了最近STGNN模型中一些改进的时空依赖学习方法。

挑战和未来方向

我们研究了社会系统中预测学习的STGNN的应用，基本神经架构和最近的进展。虽然近年来STGNN模型取得了显著的性能，但仍有一些具有挑战性的问题有待解决，这些问题指向了潜在的未来研究方向。我们总结了这些挑战并提出潜在可行的研究方向如下:

缺乏物理约束:在之前的大多数工作中，STGNN模型通过深度神经网络的集成来捕获复杂的时空依赖关系，同时忽略了对不同应用领域物理约束的考虑，这使得模型在一些专业领域的认准度较低。近年来，虽然一些用于疫情预测的STGNN模型结合了专业微分方程作为物理约束[95]-[99]，但这样的工作仍然缺乏，在其他应用领域还需要改进。