UQGNN: Uncertainty Quantification of Graph Neural Networks for Multivariate Spatiotemporal Prediction
Created by
Haebom
저자
Dahai Yu, Dingyi Zhuang, Lin Jiang, Rongchao Xu, Xinyue Ye, Yuheng Bu, Shenhao Wang, Guang Wang
개요
본 논문은 다변량 시공간 예측을 위한 불확실성 정량화를 갖춘 새로운 그래프 신경망(UQGNN)을 제안합니다. 기존의 결정론적 시공간 예측 모델들이 불확실성을 정량화하지 못하는 한계를 극복하기 위해, UQGNN은 상호작용 인식 시공간 임베딩 모듈(다변량 확산 그래프 합성곱 네트워크와 상호작용 인식 시간 합성곱 네트워크 통합)과 다변량 확률적 예측 모듈을 도입하여 복잡한 공간 및 시간적 상호 작용 패턴을 효과적으로 포착하고 예상 평균값과 관련 불확실성을 모두 추정합니다. 선전, 뉴욕시, 시카고의 네 개의 실제 다변량 시공간 데이터셋에 대한 광범위한 실험을 통해 UQGNN이 예측 정확도와 불확실성 정량화 측면에서 최첨단 기준 모델들을 꾸준히 능가함을 보여줍니다. 예를 들어, 선전 데이터셋에서 UQGNN은 예측 정확도와 불확실성 정량화 모두에서 5% 향상을 달성했습니다.
시사점, 한계점
•
시사점:
◦
다변량 시공간 예측에서 불확실성을 정량화하는 새로운 방법 제시.
◦
상호작용 인식 시공간 임베딩 모듈을 통해 복잡한 공간-시간 상호작용 효과적으로 모델링.
◦
실험 결과를 통해 UQGNN의 우수한 성능 검증.
◦
다양한 도시 현상 간의 상관관계 고려.
•
한계점:
◦
제시된 모델의 일반화 성능에 대한 추가적인 연구 필요.
◦
특정 도시 데이터에 대한 성능 평가에 국한, 다양한 지역 및 규모의 데이터셋에 대한 추가 실험 필요.
