當前位置：首頁 > 编程资源 > 编程问答 >内容正文

编程问答

论文笔记目录

發布時間：2025/4/5 编程问答 10 豆豆

生活随笔收集整理的這篇文章主要介紹了论文笔记目录小編覺得挺不錯的,現在分享給大家,幫大家做個參考.

1 交通預測

AAAI2019

交通預測論文筆記《Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting》_UQI-LIUWJ的博客-CSDN博客

ASTGCN:

1）使用空間注意力機制來建模空間層面復雜的相關性

2）使用時間注意力機制來捕獲不同時間之間的動態時間相關性

3）使用圖卷積來捕獲交通圖中的空間特征；以及不同時間篇之間的依賴關系?

IEEE Transactions on Intelligent Transportation Systems 2021

交通預測論文翻譯：Deep Learning on Traffic Prediction: Methods,Analysis and Future Directions_UQI-LIUWJ的博客-CSDN博客

綜述性質論文，同時給出了一些公共數據集

IJCAI 2018

交通預測論文筆記：Spatio-Temporal Graph Convolutional Networks: A Deep Learning Frameworkfor Traffic Forecast_UQI-LIUWJ的博客-CSDN博客

1.1 交通補全 imputation

TKDE 2021	論文筆記：Missing Value Imputation for Multi-view UrbanStatistical Data via Spatial Correlation Learning_UQI-LIUWJ的博客-CSDN博客	?空間關聯性的挖掘 ?多維度屬性關聯性的問題 ?時間信息的缺失設計了一種空間相關的多核 K 均值 (S-MKKM) 方法來識別多視圖之間的潛在關系并捕獲區域相似性。提出了一種自適應權重非負矩陣分解方法，以利用上面學到的信息來解決多視圖缺失數據插補問題。此外，所提出的方法還考慮了單視圖信息補全模型的特點，同時考慮了?KNN 策略來利用真實地理信息。
ICDE2019	論文筆記：Stochastic Weight Completion for Road Networks using Graph Convolutional Networks_UQI-LIUWJ的博客-CSDN博客	graph-autoencoder
NIPS 2016	論文筆記:Temporal Regularized Matrix Factorization forHigh-dimensional Time Series Prediction_UQI-LIUWJ的博客-CSDN博客 TRMF 輔助論文：最小二乘法復現TRMF_UQI-LIUWJ的博客-CSDN博客	提出了一個新的時間正則化矩陣分解框架(TRMF)用于高維時間序列分析。
ICDM 2017	論文筆記：Autoregressive Tensor Factorizationfor Spatio-temporal Predictions_UQI-LIUWJ的博客-CSDN博客	在TRMF的基礎上，添加了空間自回歸DAR的正則項
part-c 2019	論文筆記 Traffic Data Reconstruction via Adaptive Spatial-Temporal Correlations_UQI-LIUWJ的博客-CSDN博客 TAS-LR 論文輔助筆記 & 圖拉普拉斯正則項推導_UQI-LIUWJ的博客-CSDN博客	MF+時間序列約束和自適應拉普拉斯正則化空間約束
2010 JMLR	論文筆記 Spectral Regularization Algorithms for Learning Large IncompleteMatrices （soft-impute）_UQI-LIUWJ的博客-CSDN博客	基于迭代SVD的矩陣補全（軟閾值+硬閾值）對MF有很多理論的證明和說明（寫論文的時候可以用來參考）
2019 ICDE?	論文筆記：Hankel Matrix Factorization for Tagged Time Series to Recover Missing Values during Blackouts_UQI-LIUWJ的博客-CSDN博客	對于連續數據缺失的補全（單變量時間序列）
2021 TKDE?	論文筆記：HKMF-T: Recover From Blackouts in TaggedTime Series With Hankel Matrix Factorization_UQI-LIUWJ的博客-CSDN博客	對于連續數據缺失的補全（延伸到多變量時間序列）
2019IJCAI	論文筆記：Matrix Completion in the Unit Hypercube via Structured Matrix Factorization_UQI-LIUWJ的博客-CSDN博客	EMF,SMF 用于 0~1的打分矩陣補全 ? ?

1.2 next location recommendation

	論文閱讀筆記：STAN: Spatio-Temporal Attention Network for Next Location Recommendation_UQI-LIUWJ的博客-CSDN博客	提出一種基于注意力機制的神經網絡架構，考慮用戶訪問軌跡中每個訪問點相較于整個過往訪問軌跡的時空關系，以此對不相鄰非連續但功能相近的訪問點進行關聯，打破以往僅僅關聯連續、相鄰訪問點的限制。

1.3 time-series

ICLR 2020	論文筆記：N-BEATS: NEURAL BASIS EXPANSION ANALYSIS FORINTERPRETABLE TIME SERIES FORECASTING_UQI-LIUWJ的博客-CSDN博客	利用深度學習解決單變量時間序列點預測問題提出了一種基于后向和前向殘留鏈路和一個非常深的全連接層堆棧的深度神經結構。該模型具有可解釋性
2017 facebook	論文筆記：Forecasting at Scale（Prophet）_UQI-LIUWJ的博客-CSDN博客	時間序列分解成趨勢，季節性和特定節假日的影響這三類
2019 KDD	論文筆記： Modeling Extreme Events in Time Series Prediction_UQI-LIUWJ的博客-CSDN博客	使用記憶網絡來記憶歷史記錄中的極端事件開發了一種新的損失函數，稱為極值損失（EVL）【約束異常事件的分布】 ?
2017 icml	機器學習筆記 soft-DTW（論文筆記 A differentiable loss function for time-series）_UQI-LIUWJ的博客-CSDN博客	soft-dtw，可微分版本的dtw PYTORCH 筆記 DILATE 代碼解讀_UQI-LIUWJ的博客-CSDN博客
2020 MDPI	論文筆記：Unsteady Multi-Element Time Series Analysis and Prediction Based on Spatial-Temporal Attention_UQI-LIUWJ的博客-CSDN博客	時空注意力機制
	論文筆記 A Spatial-Temporal Decomposition Based Deep Neural Network for TimeSeries Forecasting_UQI-LIUWJ的博客-CSDN博客	時空數據分解+ Conv LSTM

2 data ming

	Data Mining 論文翻譯：Deep Learning for Spatio-Temporal Data Mining: A Survey_UQI-LIUWJ的博客-CSDN博客
1998 KDD	論文筆記：Integrating Classification and Association Rule Mining （CBA算法）_UQI-LIUWJ的博客-CSDN博客	生成類關聯規則的完整集合，這個集合滿足最小支持度以及最小置信度建立一個基于類關聯規則的分類器

3 其他

	論文筆記：[ICLR 2020] Tips for prospective and early-stage PhD students_UQI-LIUWJ的博客-CSDN博客
	生物計算論文筆記1：The construction of next-generationmatrices for compartmentalepidemic models_UQI-LIUWJ的博客-CSDN博客	SEIR模型中基本再生數R0和下一世代矩陣NGM之間的關系
TPAMI 2007	論文筆記：Weighted Graph Cuts without Eigenvectors:A Multilevel Approach_UQI-LIUWJ的博客-CSDN博客	圖中點聚類<——>kernel k-means
ICML 2008	論文筆記 Bayesian Probabilistic Matrix Factorizationusing Markov Chain Monte Carlo （ICML 2008）_UQI-LIUWJ的博客-CSDN博客 BPMF論文輔助筆記：固定U，更新θU 部分推導_UQI-LIUWJ的博客-CSDN博客 BPMF論文輔助筆記：采樣Ui 部分推導_UQI-LIUWJ的博客-CSDN博客 ?	在模型中使用了馬爾可夫鏈蒙特卡羅(MCMC)方法進行近似推理為超參數引入先驗，并在參數和超參數上最大化模型的對數后驗，從而允許基于訓練數據自動控制模型的復雜性?。
KDD 2021	論文筆記 Hierarchical Reinforcement Learning for Scarce Medical Resource Allocation_UQI-LIUWJ的博客-CSDN博客	使用GRU來求解未知疾病狀態使用DQN來或者各區域重要性排序使用actor-critic來求解各區域口罩病床分配情況論文代碼解讀 Hierarchical Reinforcement Learning for Scarce Medical Resource Allocation_UQI-LIUWJ的博客-CSDN博客
	機器學習筆記：聚類模糊聚類與模糊層次聚類（論文筆記 Fuzzy Agglomerative Clustering :ICAISC 2015）_UQI-LIUWJ的博客-CSDN博客	模糊聚類 + 分層聚類

3 cv?

	論文筆記：Spatial-Temporal Map Vehicle Trajectory Detection Using Dynamic Mode Decomposition and Res-UNe_UQI-LIUWJ的博客-CSDN博客	軌跡提取

4 總結

4.1 交通預測

4.1.1?早期模型的缺點

數據建模		????????使用數學工具（比如微分方程）和物理知識來模擬交通場景，解決交通問題 ?????????但這需要復雜的系統化的編程，還需要大量的算力。 ? ? ? ? 同時，不切實際的假設和簡化很有可能會使得預測的精準度不足 ? ? ? ? 因此，隨著交通數據收集和存儲技術的進步，越來越多的研究側重于數據驅動
時間序列分析模型	歷史平均HA、ARIMA、VAR	難以解決數據的不穩定行和非線性這些模型需要數據滿足一些假設，但是交通數據過于復雜，無法滿足這些假設，所以這些模型在交通預測領域的表現不盡人意這種模型受限于對于時間序列平穩性的假設，同時它沒有把時空相關性納入考慮范圍。因此，這種方法沒法解決高度非線性的交通流量預測問題。
傳統機器學習	KNN, SVM	1）難以同時考慮高維交通數據集中時空相關性 2）十分依賴特征的選擇和建立
一些深度學習模型	ST-ResNet、CNN+LSTM DBN SAE	仍然難以同時建模交通數據中時間和空間特征的相關性
	RNN?	略了傳感器之間的空間相關性。

4.2 交通補全

傳統的時間序列方法	自回歸模型（autoregressive）和動態線性模型（DLM）	主要關注于低維時序數據，無法解決我們之前說的高維數據和有缺失值的問題。
	?向量自回歸模型(VAR)和高斯過程(GP)	當我們試圖分析一個多元時間序列時，VAR和GP需要指數計算成本。因此，這些模型在分析大尺度時空數據時是不可行的。
矩陣	低秩矩陣分解(MF)或矩陣補全(MC)	最普通的正則項是?(F是Forbenius范數），很顯然它不太適用于時間序列問題，因為它沒有考慮時間嵌入{xt}的順序。除非正則化參數被仔細地調整，否則這種方法很容易過度擬合，因為它找到了參數的單點估計。為了將空間和時間依賴性整合到分解中，大多數現有的分解方法都采用了基于圖的正則化項，通過表示空間和時間結構的輔助圖，使得隱藏層因子平滑化。這些方法需要事先對加權時空圖矩陣進行推理，但是對于如何構造加權時空圖矩陣，幾乎沒有統一的準則。因此，這些方法的性能很大程度上依賴于權值和圖結構的選擇。此外，這些方法在出現負相關的情況下是不夠的。
	TRMF	該方法在分解框架中引入了自回歸正則化器。然而，他們沒有考慮學習空間依賴性的問題。因此，我們能否對未知的位置進行精確的插值和預測仍然是個問題。

4.3 地點序列推薦

注意力機制和圖模型

1）空間上不相鄰且時間上非連續的訪問點可能是功能相關的，然而過去的絕大多數模型只考慮空間上處于一個區域且時間上前后鄰近的訪問點的時空關聯；

2）空間上劃分區域的方法使得模型對空間距離不敏感，不可避免地丟失了空間差信息和不相鄰點的關聯信息；

3）過去模型沒有充分考慮用戶訪問頻率。

4.4 time-series

總結

以上是生活随笔為你收集整理的论文笔记目录的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。

上一篇：交通预测论文笔记《Attention B
下一篇：文巾解题 77. 组合