Estás leyendo la publicación: Una guía para principiantes sobre redes neuronales de grafos espacio-temporales
En el escenario reciente, podemos presenciar el éxito de las redes neuronales gráficas en una amplia gama de aplicaciones. Hoy en día, las redes neuronales gráficas se están aplicando a una variedad de campos como NLP, pronóstico de series temporales, agrupamiento, etc. Cuando aplicamos una red neuronal gráfica a los datos de series temporales, la llamamos red neuronal gráfica espacio-temporal.
En este artículo, discutiremos la red neuronal de gráficos espacio-temporales en detalle con sus aplicaciones. Los puntos principales que se discutirán en este artículo se enumeran a continuación.
Tabla de contenido
- ¿Qué son los datos gráficos?
- Acerca del gráfico espacio-temporal
- ¿Qué son las redes neuronales de gráficos espacio-temporales?
- Aplicaciones de las redes neuronales de grafos espacio-temporales
Empecemos por comprender qué son los datos del gráfico.
¿Qué son los datos gráficos?
En uno de nuestros artículos, discutimos una red neuronal que puede manejar datos de gráficos que pueden considerarse como una red neuronal de gráficos. También discutimos que los datos de gráficos consisten en relaciones estructuradas entre los puntos de datos en forma de nodos y enlaces de una mejor manera que los conjuntos de datos ordinarios. Se vuelve fácil para las redes neuronales aprender acerca de estas relaciones estructuradas de los datos.
Cuando hablamos de la relación, puede ser de cualquier tipo según diferentes tipos de información. Por ejemplo, cualquier gráfico que contenga información sobre datos de PNL puede tener una representación de la relación contextual entre las palabras. Al hablar de los componentes de los datos del gráfico, hay dos componentes principales:
Usando estos componentes, podemos considerar un gráfico como la función de vértices y aristas.
sol = (V, mi)
En términos más generales, un gráfico también puede considerarse como una función de estructura estática y características estáticas como,
G = (V, E, Xv, Xe)
Dónde,
- G = Gráfico
- V = vértices
- E = Bordes
- X = Características
El tipo de aristas en el gráfico depende de las dependencias direccionales entre los vértices. Los bordes pueden ser de dos tipos: dirigidos o no dirigidos.
Acerca del gráfico espacio-temporal
¿Qué es el gráfico espacio-temporal?
Espacio-temporal es una combinación de dos palabras donde Spatio significa espacio y temporal significa tiempo. Entonces, si cualquier sistema que consiste en información de relaciones estructurales de espacio y tiempo puede considerarse un gráfico espacio-temporal, de una manera más simple, podemos decir que estos gráficos pueden hacer una red neuronal para tratar con estructuras estáticas y características variables en el tiempo. Podemos decir que los gráficos espacio-temporales son funciones de estructura estática y características variables en el tiempo, de la siguiente manera
G = (V, E, Xv
Para entenderlo mejor, podemos tomar un ejemplo de mapas de Google con anotaciones de tráfico. Donde podemos decir que los segmentos individuales de las redes de carreteras son nodos de un gráfico y la conexión entre los nodos son los bordes.
Como en la imagen de arriba, puede haber dos cambios que pueden ocurrir con el tiempo:
- Tramo de carretera (lento)
- Tráfico en la carretera (rápido)
Este ejemplo consta de estructuras estáticas y características variables en el tiempo. Dichos ejemplos deben tratar principalmente con las características del gráfico que varían con el tiempo. Entonces, podemos decir que al usar estos gráficos, debemos realizar análisis y pronósticos de series de tiempo a través de una red neuronal de gráficos espacio-temporales. Entendamos las redes neuronales de grafos espacio-temporales.
¿Qué son las redes neuronales de gráficos espacio-temporales?
En la sección anterior, hemos discutido que los gráficos espacio-temporales están hechos de estructuras estáticas y características que varían con el tiempo, y dicha información en un gráfico requiere una red neuronal que pueda manejar las características del gráfico que varían con el tiempo. Las redes neuronales que se desarrollan para tratar con características variables en el tiempo del gráfico pueden considerarse como redes neuronales de gráficos espacio-temporales.
Estas redes neuronales se desarrollan para realizar análisis de series de tiempo utilizando las características variables en el tiempo del gráfico. En la zona de análisis de series temporales del aprendizaje automático, podemos encontrar que los conjuntos de datos de series temporales son diferentes de los datos espaciales porque consisten en causalidad, lo que significa que los datos del pasado están altamente correlacionados con los datos del presente y del futuro.
Hablando del análisis tradicional de series de tiempo, debemos realizar varios análisis de los datos, como trazar diagramas de correlación y autocorrelación, análisis de dominio de tiempo frente a frecuencia, estimación de estado a lo largo del tiempo, etc. Además, tenemos varios modelos que se pueden usar para pronosticar . Estos modelos se pueden clasificar de la siguiente manera:
I. Modelos básicos:
- modelo ARM
- modelo VAR
Estos modelos usan regresión multilineal a lo largo del tiempo y estos modelos son buenos para el conjunto de datos a pequeña escala. Estos modelos requieren datos estacionarios y para hacer que una serie de tiempo sea estacionaria, debemos realizar operaciones manualmente.
II. Modelos basados en redes neuronales:
- RNN
- Circunvoluciones temporales
- Atenciones temporales
Estos modelos son los modelos más importantes y útiles para la previsión. Se han desarrollado con el tiempo para mejorar el rendimiento de los modelos, por ejemplo, un modelo LSTM calcula a partir de la secuencia de entrada usando un elemento a la vez donde las circunvoluciones temporales usan el procedimiento de aprendizaje paralelo para calcular la secuencia de los datos usando una ventana unidimensional y atenciones temporales utiliza un sistema paralelo avanzado que también puede aprender los pesos de los elementos en la predicción futura.
tercero Graficar redes neuronales
En escenarios recientes, podemos ser testigos del éxito de los datos de gráficos también en el campo del análisis de series de tiempo, donde los datos de gráficos con características variables en el tiempo se pueden usar con redes neuronales de gráficos espaciotemporales. Los datos de series de tiempo se pueden considerar como datos discretos, lo que significa extender esto al dominio de gráficos que debemos aprender usando la secuencia de gráficos. Podemos tener un gráfico en un momento y otro gráfico en otro momento. La estructura del gráfico estático nos permite usar GNN simple en combinación con bloques temporales.
Para trabajar en los gráficos espacio-temporales, debemos procesar una secuencia de datos de gráficos para producir una incrustación espacio-temporal que se usará para regresión, clasificación, agrupamiento, etc. El bloque espacial de la red puede ser cualquier GNN estándar y El bloque temporal puede ser cualquier método para aprender sobre secuencias de datos como la convolución temporal o la atención temporal.
Como entrada, estos modelos toman una matriz de características de nodos y bordes y una matriz dispersa de adyacencia que define una estructura gráfica en el procesamiento de reenvío. Las siguientes son las principales aplicaciones de la red neuronal de grafos espacio-temporales.
Aplicaciones de las redes neuronales de grafos espacio-temporales
Las aplicaciones populares de las redes neuronales de gráficos espacio-temporales se enumeran a continuación:
- Dado que estas redes son capaces de capturar patrones espaciales y temporales del gráfico, se pueden utilizar en diversas aplicaciones en sistemas de transporte inteligentes (ITS), como la planificación de rutas, la navegación y el control y la gestión del tráfico.
- Debido a la capacidad de manejar gran cantidad de información, las redes neuronales de gráficos espaciotemporales se pueden utilizar para pronosticar la predicción de conflictos y la predicción de pandemias.
- En el aprendizaje por refuerzo, podemos usar estas redes neuronales para predecir los estados futuros de los agentes considerando la influencia social de otros agentes.
- Estas redes también se pueden utilizar en la planificación de inventario exitosa y la optimización de los costos de logística para los mercados en línea.
Ultimas palabras
En este artículo, hemos discutido la estructura de los datos de gráficos, los datos de gráficos espaciotemporales y cómo funciona una red neuronal de gráficos espaciotemporales. Junto con esto, hemos visto algunas de las aplicaciones interesantes de los datos de grafos espacio-temporales.
