面向地理异质数据的图神经网络时空预测方法研究
文献类型：学位论文
| 作者 | 米春蕾 |
| 答辩日期 | 2023-06 |
| 文献子类 | 学术型学位 |
| 授予单位 | 中国科学院大学 |
| 授予地点 | 中国科学院地理科学与资源研究所 |
| 导师 | 陆锋 |
| 关键词 | 地理异质数据 图神经网络 时空异质性 多时空尺度 多源数据融合 |
| 学位名称 | 博士 |
| 学位专业 | 地图学与地理信息系统 |
| 英文摘要 | 地理大数据研究已经成为地理学科发展的关键支撑和热点。如何从海量的地理数据中获得需要的特征或知识，近些年一直是地理信息科学研究的重点。面对地理大数据的独有特性，如何提取这些特征并用于地理研究，一直是地理信息科学研究的热点和难点。尤其是异质性特征，它体现在地理大数据的方方面面。对某单一地理数据而言，它的异质性主要是数据的时空异质性，时空异质性从小尺度研究到大尺度研究又是不一样的。在小尺度研究上需要侧重考虑如何提取时空相关性和异质性，以及它们的耦合关系；在大尺度研究上则需要侧重考虑不同尺度的异质性特征对于研究的影响。对地理大数据综合应用而言，它的异质性包含数据来源、储存介质、数据结构及数据类型等。而在数据应用研究中，大家更关心地理大数据的数据类型，数据结构及数据模型等，因为它们直接关系地理实体关系的表达和模型的构建。在综合应用研究中，如何在考虑单一地理数据的时空异质性的前提下，去实现这些地理异质数据有效融合，也一直是地理信息科学研究的难点。因为这涉及到在不同数据类型间如何表达实体之间关系并进行融合，地理语义数据如何应用到地理定量分析研究中，以及如何构建可以综合处理多种数据结构的地理模型。如何在时空预测中考虑地理大数据的异质特性，一直是地理时空预测需要解决的难点和重点。随着人工智能技术的飞速发展，尤其是深度学习的日新月异，为地理大数据挖掘提供了新的机遇。图数据结构是表达地理异质数据最有效的数据结构之一，它在矢量数据应用，复杂网络分析及知识图谱等中已经得到了广泛研究及应用。近些年，伴随深度学习方法的发展，图神经网络研究也到了广泛关注和推动，它为解决地理异质数据的时空预测提供了新的思路和方法。本文依据现有图神经网络的理论基础，从图数据结构模型的角度出发，从小尺度时空异质性、相关性表达及它们耦合到大尺度多时空尺度异质性表达，从单一数据时空异质性表达到多源地理异质性融合，提出了三种图神经网络模型，来尝试解决不同情景下的地理异质数据时空预测问题：（1）耦合时空相关性及异质性的图神经网络时空预测模型针对地理异质数据时空相关性及异质性难以统一表达的问题。提出了一种顾及时空异质性的深度神经网络时空预测模型。利用深度学习方法构造三个模块，局部空间特征提取模块、全局空间特征提取模块及长短时间序列分析模块。其中，利用局部空间特征模块表达空间相关性，全局空间特征模块表达空间异质性，长短时间序列分析模块表达时间特性（非平稳性）。首先，利用图卷积神经网络提取局部空间特征以及利用全局地理加权神经网模型提取全局空间特征（空间异质性），然后利用注意力机制将提取的局部时空特征和全局时空特征进行融合，最后将融合后的特征输入时间序列预测模块进行时空序列预测。通过京津冀空气质量监测数据，开展PM2.5 浓度预测研究，验证了模型的有效性。（2）顾及多时空尺度特征的图神经网络时空预测模型为了解决在地理异质数据中，多时空尺度特征难以提取及不同尺度特征之间交互关系难以表达的问题。提出一种顾及多时空尺度特征的时空序列预测模型，探索不同时空尺度特征之间关系以及对时空预测性能的影响。首先，将确定不同的时空尺度范围，利用图卷积神经网络模型获取不同时空尺度的特征；然后，建立这些特征之间的连接关系，利用时间序列分析模型学习这些连接关系特征，并用于时空序列预测。通过中国全国空气质量数据集空气质量监测数据，开展PM2.5 浓度预测研究，验证了模型的有效性。（3）基于多特征及时空图卷积的时空预测模型为了解决多源异构数据难以有效融合用于时空序列预测的问题。提出了一种基于多特征及时空图卷积的时空预测模型。将多源数据融合于时空序列预测模型，探索不同因素、不同融合方式下预测性能。首先将多源数据根据时空依赖关系进行划分，利用深度神经网络，构造不同的功能模块对这些依赖因素进行特征提取，将提取的特征融合后用于时空序列预测。通过上海市出租车OD 数据，开展出租车订单需求预测研究，验证了模型的有效性。 |
| 语种 | 中文 |
| 页码 | 141 |
| 源URL | [http://ir.igsnrr.ac.cn/handle/311030/199876]  |
| 专题 | 地理科学与资源研究所_研究生部 |
| 推荐引用方式 GB/T 7714 | 米春蕾. 面向地理异质数据的图神经网络时空预测方法研究[D]. 中国科学院地理科学与资源研究所. 中国科学院大学. 2023. |
入库方式： OAI收割
来源：地理科学与资源研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。