Page 409 - 《软件学报》2025年第4期

邹慧琪 等: 基于图神经网络的复杂时空数据挖掘方法综述 1815


 w(v,e), v ∈ e

,

H(v,e) = 

 0, v < e
其中, w(v,e) 代表超边的权值.
定义 4. 时间序列. 时间序列是一组根据时间顺序排列的数据点, 时间轴长度为 T 的时间序列可以表示为:
t
x = {x 1 , x 2 ,..., x T } , 其中 x t 是时间为 时的数据点.
定义 5. 时空数据挖掘. 时空数据挖掘是从具有时间和空间信息的时空数据中发现能满足具体需求的有用模
(t) , 通常包括动态图、动态异质图和动态超图等
式和知识的任务. 其中复杂时空数据的主要表现形式为时空图 G
类型的图, 其服务的下游任务主要包括时空预测、时空异常检测和时空模式发现等.

4 复杂时空融合架构
复杂时空融合架构是本文探讨的主要部分, 因为它描述了如何将时间信息和空间信息进行集成. 基于不同类
型的图, 复杂时空融合架构可以分为基于动态图, 基于动态异质图和基于动态超图的方法. 本节研究重点集中在如
Temporal
何将时间信息与空间信息集成到复杂时空融合架构中, 并对现有的主流方法进行阐述与比较.

4.1 基于动态图的时空融合架构
图神经网络 (GNN) 是学习非欧几里得空间中空间依赖关系的有效工具. 作为复杂图 (如异质图、超图等) 基
础的简单图拥有静态、同质等特征, 然而, 在时空预测问题中, 图具有时序性, 传统的基于简单图的方法不适用于
真实的复杂场景. 因此, 在介绍其他基于动态异质图和动态超图的时空融合架构前, 在本节中, 我们将着重阐述基
于动态图的时空融合架构. 根据时间粒度的粗细, 基于动态图的时空融合架构可分为基于离散时间动态图和基于
连续时间动态图. 根据基于空间的主流学习方法, 我们将基于离散时间动态图的时空融合架构主要分为 3 大类: 基
于图卷积神经网络、基于自注意力机制和基于图卷积神经网络和自注意力机制结合.

4.1.1 基于离散时间动态图的时空融合架构
在离散时间动态图中, 按照时间轴可将不断变化的动态图划分为多个快照, 其中每个快照可视作一个静态图,
这类方法在每个快照上单独应用图神经网络, 然后聚合不同时间的节点表示 [17] . 因此, 在本节中, 我们根据基于空
间的主流学习方法先对基于离散时间动态图的时空融合架构进行介绍.
(1) 基于图卷积神经网络的时空融合架构
近年来, 基于图卷积神经网络的时空融合架构在时空融合架构中应用广泛. 由于循环神经网络在进行不同层
之间的迭代时误差逐级积累, 且计算复杂, Yu 等人 [5] 提出的经典时空融合架构 STGCN 使用了卷积神经网络, 首次
[7]
提出用谱域 GCN 和 [6] Gated TCN 模块分别对空间依赖和时间依赖进行特征提取, 该模型可以提取中长期的时间
依赖, 被应用于交通预测领域, 具有较强的可扩展性. 图 2 展示了 STGCN 的整体网络结构.

l
l
l (v t−M+1 ,…, v t )
(v t−M+1 ,…, v t ) W v W
Temporal
ST-Conv block Gated-Conv, C=64
1D
Spatial Conv
ST-Conv block Graph-Conv, C=16

Output layer Gated-Conv, C=64 GLU Temporal
ST-Conv block Gated-Conv

v ˆ l+1 l ,…, v t ) l
v (v t−M+K t
图 2 STGCN 的整体网络架构 [5]