pytorch_geometric_temporal
vironment and installation
文檔|外部資源|數據集
pytorch幾何顳時間是Pytorch幾何的時間（動態）擴展庫。
該庫由各種發表的研究論文中的各種動態和時間幾何深度學習，嵌入和時空回歸方法組成。此外，它帶有易於使用的數據集加載程序，火車測試分離器以及用於動態和時間圖的時間snaphot迭代器。該框架自然提供GPU支持。它還帶有來自流行點預測，共享經濟，能源生產和網絡交通管理領域的許多基準數據集。最後，您還可以創建自己的數據集。
包裝與Pytorch Lightning很好地接口，該閃電允許在CPU，單個GPU和多個開箱即用的訓練中進行培訓。請查看與Pytorch Lightning一起使用Pytorch幾何顳的介紹性示例。
我們還為每個重複的模型和筆記本提供了詳細的示例，並為註意力集書提供了詳細的示例。
案例研究教程
我們在文檔中提供了深入的案例研究教程，每個教程涵蓋了Pytorch幾何時間的功能。
增量培訓：流行病學預測案例研究
累積培訓：網絡流量管理案例研究
引用
如果您發現pytorch幾何時間和新數據集對您的研究有用，請考慮添加以下引用：
@inproceedings { rozemberczki2021pytorch ,
author = { Benedek Rozemberczki and Paul Scherer and Yixuan He and George Panagopoulos and Alexander Riedel and Maria Astefanoaei and Oliver Kiss and Ferenc Beres and Guzman Lopez and Nicolas Collignon and Rik Sarkar } ,
title = { {PyTorch Geometric Temporal: Spatiotemporal Signal Processing with Neural Machine Learning Models} } ,
year = { 2021 } ,
booktitle = { Proceedings of the 30th ACM International Conference on Information and Knowledge Management } ,
pages = { 4564–4573 } ,
}一個簡單的例子
pytorch幾何暫時性使實現動態和時間圖神經網絡非常容易 - 請參閱隨附的教程。例如，這是實現具有兩個連續的圖形卷積GRU單元和線性層的複發圖卷積網絡所需的全部內容：
import torch
import torch . nn . functional as F
from torch_geometric_temporal . nn . recurrent import GConvGRU
class RecurrentGCN ( torch . nn . Module ):
def __init__ ( self , node_features , num_classes ):
super ( RecurrentGCN , self ). __init__ ()
self . recurrent_1 = GConvGRU ( node_features , 32 , 5 )
self . recurrent_2 = GConvGRU ( 32 , 16 , 5 )
self . linear = torch . nn . Linear ( 16 , num_classes )
def forward ( self , x , edge_index , edge_weight ):
x = self . recurrent_1 ( x , edge_index , edge_weight )
x = F . relu ( x )
x = F . dropout ( x , training = self . training )
x = self . recurrent_2 ( x , edge_index , edge_weight )
x = F . relu ( x )
x = F . dropout ( x , training = self . training )
x = self . linear ( x )
return F . log_softmax ( x , dim = 1 )包括方法
詳細說明，實施了以下時間圖神經網絡。
復發圖卷積
Li等人的DCRNN 。 ：擴散卷積復發神經網絡：數據驅動流量預測（ICLR 2018）
SEO等人的GCONVGRU 。 ：使用圖卷積復發網絡結構化序列建模（ICONIP 2018）
SEO等人的GCONVLSTM 。 ：使用圖卷積復發網絡結構化序列建模（ICONIP 2018）
Chen等人的GC-LSTM 。 ：GC-LSTM：用於動態鏈路預測的圖形卷積嵌入LSTM（Corr 2018）
Li等人的LRGCN 。 ：預測時間不斷發展圖的路徑故障（KDD 2019）
Taheri等人的Dygrencoder 。 ：學會用複發模型來表示動態圖的演變
Pareja等人的EvolveGCNH 。 ：EvolveGCN：動態圖的發展圖卷積網絡
Pareja等人的EvolveGcno 。 ：EvolveGCN：動態圖的發展圖卷積網絡
Zhao等人的T-GCN 。 ：T-GCN：用於流量預測的時間圖卷積網絡
Zhu等人的A3T-GCN 。 ：A3T-GCN：注意交通預測的時間圖卷積網絡
Bai等人的AgCRN 。 ：自適應圖卷積卷積進行交通預測（Neurips 2020）
Panagopoulos等人的MPNN LSTM 。 ：轉移大流行預測的神經網絡（AAAI 2021）
注意匯總的時間圖卷積
Yu等人的STGCN 。 ：時空圖卷積網絡：通行預測的深度學習框架（IJCAI 2018）
Guo等人的ASTGCN 。 ：基於注意的空間圖卷積網絡，用於交通流量預測（AAAI 2019）
Guo等人的MSTGCN 。 ：基於注意的空間圖卷積網絡，用於交通流量預測（AAAI 2019）
Zheng等人的Gman 。 ：GMAN：流量預測的圖形多意見網絡（AAAI 2020）
Wu等人的MTGNN 。 ：連接點：與圖神經網絡的多元時間序列預測（KDD 2020）
Shi等人的2S-AGCN 。 ：基於骨架的動作識別的兩潮自適應圖卷積網絡（CVPR 2019）
Yu等人的DNNTSP 。 ：通過深神經網絡預測時間集（KDD 2020）
輔助圖卷積
Yu等人的tuermalconv 。 ：時空圖卷積網絡：通行預測的深度學習框架（IJCAI 2018）
Li等人的DCONV 。 ：擴散卷積復發神經網絡：數據驅動流量預測（ICLR 2018）
Guo等人的Chebconvattention 。 ：基於注意的空間圖卷積網絡，用於交通流量預測（AAAI 2019）
Bai等人的Avwgcn 。 ：自適應圖卷積卷積進行交通預測（Neurips 2020）
前往我們的文檔，以了解有關安裝，創建數據集以及實施方法和可用數據集的完整列表的更多信息。要快速啟動，請查看examples/目錄中的示例。
如果您發現任何意外的事情，請打開一個問題。如果您缺少特定方法，請隨時打開功能請求。
安裝
首先安裝pytorch和pytorch-nemetric，然後運行
pip install torch-geometric-temporal運行測試
$ python -m pytest test
執照
