Buchumschlag

Transformer with Koopman-Enhanced Graph Convolutional Network for Spatiotemporal Dynamics Forecasting

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wang, Zekai, Yao, Bing
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Variational Mode-Driven Graph Convolutional Network for Spatiotemporal Traffic Forecasting
von: Ahmad, Osama, et al.
Veröffentlicht: (2024)

Geometry-aware Active Learning of Spatiotemporal Dynamic Systems
von: Zhang, Xizhuo, et al.
Veröffentlicht: (2025)

STGformer: Efficient Spatiotemporal Graph Transformer for Traffic Forecasting
von: Wang, Hongjun, et al.
Veröffentlicht: (2024)

A Differential Smoothness-based Compact-Dynamic Graph Convolutional Network for Spatiotemporal Signal Recovery
von: Gao, Pengcheng, et al.
Veröffentlicht: (2024)

A Novel Spatiotemporal Coupling Graph Convolutional Network
von: Bi, Fanghui
Veröffentlicht: (2024)

MUSE-Net: Missingness-aware mUlti-branching Self-attention Encoder for Irregular Longitudinal Electronic Health Records
von: Wang, Zekai, et al.
Veröffentlicht: (2024)

Physics-augmented Multi-task Gaussian Process for Modeling Spatiotemporal Dynamics
von: Zhang, Xizhuo, et al.
Veröffentlicht: (2025)

Graph Convolutional Support Vector Regression for Robust Spatiotemporal Forecasting of Urban Air Pollution
von: Jahan, Nourin, et al.
Veröffentlicht: (2026)

Spatiotemporal Graph Convolutional Recurrent Neural Network Model for Citywide Air Pollution Forecasting
von: Le, Van-Duc, et al.
Veröffentlicht: (2023)

Spatial-Temporal Interactive Dynamic Graph Convolution Network for Traffic Forecasting
von: Liu, Aoyu, et al.
Veröffentlicht: (2022)

Spatial-temporal Graph Convolutional Networks with Diversified Transformation for Dynamic Graph Representation Learning
von: Wang, Ling, et al.
Veröffentlicht: (2024)

T-Graphormer: Using Transformers for Spatiotemporal Forecasting
von: Bai, Hao Yuan, et al.
Veröffentlicht: (2025)

DeepKoopFormer: A Koopman Enhanced Transformer Based Architecture for Time Series Forecasting
von: Forootani, Ali, et al.
Veröffentlicht: (2025)

Enhancing Epidemic Forecasting: Evaluating the Role of Mobility Data and Graph Convolutional Networks
von: Guo, Suhan, et al.
Veröffentlicht: (2025)

Temporally Consistent Koopman Autoencoders for Forecasting Dynamical Systems
von: Nayak, Indranil, et al.
Veröffentlicht: (2024)

Leveraging Spatiotemporal Graph Neural Networks for Multi-Store Sales Forecasting
von: Singh, Manish, et al.
Veröffentlicht: (2025)

Spatiotemporal Forecasting Meets Efficiency: Causal Graph Process Neural Networks
von: Einizade, Aref, et al.
Veröffentlicht: (2024)

Dynamic Modes as Time Representation for Spatiotemporal Forecasting
von: Kong, Menglin, et al.
Veröffentlicht: (2025)

G-PARC: Graph-Physics Aware Recurrent Convolutional Neural Networks for Spatiotemporal Dynamics on Unstructured Meshes
von: Beerman, Jack T., et al.
Veröffentlicht: (2026)

Learnable Koopman-Enhanced Transformer-Based Time Series Forecasting with Spectral Control
von: Forootani, Ali, et al.
Veröffentlicht: (2026)

Multi-Level Service Performance Forecasting via Spatiotemporal Graph Neural Networks
von: Xue, Zhihao, et al.
Veröffentlicht: (2025)

Wavelet-Inspired Multiscale Graph Convolutional Recurrent Network for Traffic Forecasting
von: Qian, Qipeng, et al.
Veröffentlicht: (2024)

PGCN: Progressive Graph Convolutional Networks for Spatial-Temporal Traffic Forecasting
von: Shin, Yuyol, et al.
Veröffentlicht: (2022)

Tensor Graph Convolutional Network for Dynamic Graph Representation Learning
von: Wang, Ling, et al.
Veröffentlicht: (2024)

PARCv2: Physics-aware Recurrent Convolutional Neural Networks for Spatiotemporal Dynamics Modeling
von: Nguyen, Phong C. H., et al.
Veröffentlicht: (2024)

Graph Convolutional Network With Pattern-Spatial Interactive and Regional Awareness for Traffic Forecasting
von: Ji, Xinyu, et al.
Veröffentlicht: (2025)

Koopman Autoencoders with Continuous-Time Latent Dynamics for Fluid Dynamics Forecasting
von: Grozavescu, Rares, et al.
Veröffentlicht: (2026)

Learning Dynamic Graphs via Tensorized and Lightweight Graph Convolutional Networks
von: Han, Minglian
Veröffentlicht: (2025)

Interpreting Temporal Graph Neural Networks with Koopman Theory
von: Guerra, Michele, et al.
Veröffentlicht: (2024)

Federated Dynamic Modeling and Learning for Spatiotemporal Data Forecasting
von: Pham, Thien, et al.
Veröffentlicht: (2025)

Knowledge-Aware Conversation Derailment Forecasting Using Graph Convolutional Networks
von: Altarawneh, Enas, et al.
Veröffentlicht: (2024)

Photonics-Enhanced Graph Convolutional Networks
von: Wang, Yuan, et al.
Veröffentlicht: (2025)

YZS-model: A Predictive Model for Organic Drug Solubility Based on Graph Convolutional Networks and Transformer-Attention
von: Wang, Chenxu, et al.
Veröffentlicht: (2024)

Enhancing the Influence of Labels on Unlabeled Nodes in Graph Convolutional Networks
von: Huang, Jincheng, et al.
Veröffentlicht: (2024)

Size Transferability of Graph Transformers with Convolutional Positional Encodings
von: Porras-Valenzuela, Javier, et al.
Veröffentlicht: (2026)

DeepJ: Graph Convolutional Transformers with Differentiable Pooling for Patient Trajectory Modeling
von: Li, Deyi, et al.
Veröffentlicht: (2025)

Koopman Ensembles for Probabilistic Time Series Forecasting
von: Frion, Anthony, et al.
Veröffentlicht: (2024)

Review of blockchain application with Graph Neural Networks, Graph Convolutional Networks and Convolutional Neural Networks
von: Ancelotti, Amy, et al.
Veröffentlicht: (2024)

DG-STMTL: A Novel Graph Convolutional Network for Multi-Task Spatio-Temporal Traffic Forecasting
von: Cui, Wanna, et al.
Veröffentlicht: (2025)

Fully Convolutional Spatiotemporal Learning for Microstructure Evolution Prediction
von: Trimboli, Michael, et al.
Veröffentlicht: (2026)