一个时空图波形神经网络 (ST-GWNN) 用于在及时的社交媒体数据中进行关联挖掘
Pengyuan Wang1, Zhengying Wen2
1Zhengzhou University of Light Industry, Zhengzhou, 450000, China. wpengyuan@zzuli.edu.cn.
Scientific reports
|December 28, 2024
概括
本研究引入了一个空间时间图波形神经网络 (ST-GWNN) 来分析社交媒体数据. 该模型有效地捕捉复杂的时空相关性,提高时间序列数据挖掘的准确性和效率.
科学领域:
- 计算机科学 计算机科学
- 数据科学数据科学数据科学
- 人工智能的人工智能
背景情况:
- 社交媒体平台产生了大量的时空序列数据.
- 现有的方法往往无法捕捉复杂的时空相关性,限制了对动态特征的理解.
- 需要先进的模型来有效地分析来自社交媒体的及时时空序数据.
研究的目的:
- 引入一个新的空间时间图波形神经网络 (ST-GWNN) 用于分析社交媒体数据.
- 在社交媒体数据中有效捕捉跨时空的时空相关性.
- 为了提高时间序列数据关联挖掘的准确性和效率.
主要方法:
- 开发了一个空间时间图波形神经网络 (ST-GWNN) 模型.
- 来自多个时间区间的集成空间图,以捕捉时空相关性.
- 使用图形波形神经网络 (GWNN) 进行空间特征提取,增强本地化表示并减少与光谱CNN相比的计算复杂性.
主要成果:
- ST-GWNN模型在及时的时间序列数据关联挖掘方面展示了显著的优势.
- 该模型有效地捕捉了时空动态,并揭示了社交媒体数据中的潜在关联.
- 在四个不同的社交媒体数据集上的实验结果显示,与替代模型相比,准确性和效率有了显著的改善.
结论:
- 拟议的ST-GWNN模型在分析社交媒体数据中复杂的时空相关性方面是有效的.
- 该模型为时间序列数据关联挖掘提供了更准确,更有效的方法.
- 该研究强调了使用图形波波变换用于时空数据分析的创新性和有效性.
