博士论文| Toronto 2024 | 用于模拟演化网络中时空动态的深度学习方法 145页

使用深度学习技术寻找时空数据的合适表示形式引起了人们对复杂演化网络分析的极大兴趣，因为学习到的表示形式在解决广泛领域的各种困难任务方面表现出了最先进的性能。本论文的目的是应用数据驱动的学习策略来分析多维时间过程数据，以便更准确地模拟时变网络，例如智能交通网络和通信基础设施网络。我们开发了统一的模型来研究以下问题：智能交通系统中时空缺失数据的估计、离散时间时空图上的表示学习（进一步用于缺失数据估计任务）以及使用时间点过程和广义时间霍克斯过程对离散时间时间图进行表示学习。

在第 3 章中，我们解决了智能交通系统 (ITS) 中时空测量中缺失数据的问题，其中由于传感器不稳定和收集点的通信错误，ITS 中收集的交通速度和行程时间估计的部分缺失。这些实际问题可以通过缺失数据分析来解决，主要分为基于统计或机器学习 (ML) 的方法。我们专注于基于 ML 的方法，即多向循环神经网络 (M-RNN)。M-RNN 利用数据的时间和空间特性。我们在 TomTom 数据集上评估了这种方法的有效性，该数据集包含大多伦多地区 (GTA) 的平均车速和行驶时间的时空测量值。

在第 4 章中，我们研究了离散时间动态图上的表示学习问题，离散时间动态图是从动态图中以规则间隔的时间采样的快照序列。我们提出了一种时间多层位置感知图神经网络 (TMP-GNN)，这是一种将时间关系的相互依赖性纳入嵌入计算的节点嵌入方法。我们模型中的每一层都是由现有节点和对应于给定时间的加权边构建的图。我们通过 TMP-GNN 嵌入组件共同学习图的短期时间依赖性、全局位置和特征信息，并在缺失数据估计框架中使用派生的表示。此外，我们部署了基于特征向量的中心性派生的条件中心性概念来区分影响力较大的节点并将其集成到整个图中的消息聚合中。我们使用四个真实世界的数据集进行了几次实验，以评估 TMP-GNN 在两种不同时间多层图表示上的性能。

在本论文的第 5 章中，我们研究了时间图表示学习的关键问题，在该问题中，我们获得了随时间变化的图表示。我们将图中的一般结构变化（例如在特定时间形成或删除图节点或边）视为事件，并且随着更多事件的添加，图会不断发展。另一方面，这种离散事件序列发生在不规则的时间尺度上，因此使用随机过程（特别是时间点过程 (TPP)）进行建模。我们的重点是以数据驱动的方式学习时间点过程的条件强度函数，以研究删除事件类型对节点在链接级预测任务中的表示学习的影响。在这方面，我们提取局部和图级度量，特别是网络熵，它量化了网络内的节点/边重要性，以捕获节点删除（和相应的边删除）的影响并将其合并到我们的集成框架中。然后，我们研究两个时间点过程之间的相关性，每个过程都对添加类型的事件（网络增长）和删除类型的事件（网络收缩）进行建模，并观察这些过程对彼此的统计显着异步（排斥）行为。随后，我们研究广义时间霍克斯过程并开发一种自适应表示学习算法来模拟网络增长和收缩事件之间的依赖关系。