TG-PhyNN: Ein verbessertes physikalisch bewusster Graph Neural Network Framework zur Vorhersage spatio-temporaler Daten

Die genaue Vorhersage dynamischer Prozesse auf Graphen, wie Verkehrsfluss oder Krankheitsausbreitung, bleibt eine Herausforderung. Während Graph Neural Networks (GNNs) in der Modellierung und Vorhersage spatio-temporaler Daten glänzen, fehlt es ihnen oft an der Fähigkeit, zugrunde liegende physikalische Gesetze direkt zu berücksichtigen. Diese Arbeit präsentiert TG-PhyNN, ein neuartiges Temporal Graph Physics-Informed Neural Network Framework. TG-PhyNN nutzt die Leistungsfähigkeit von GNNs für graphbasierte Modellierung, während gleichzeitig physikalische Einschränkungen als Leitprinzip während des Trainings integriert werden. Dies wird durch eine zweistufige Vorhersagestrategie erreicht, die die Berechnung von Ableitungen physikalischer Gleichungen innerhalb der GNN-Architektur ermöglicht. Unsere Ergebnisse zeigen, dass TG-PhyNN traditionelle Vorhersagemodelle (z.B. GRU, LSTM, GAT) auf realen spatio-temporalen Datensätzen wie PedalMe (Verkehrsfluss), COVID-19-Ausbreitung und Windpocken-Ausbrüchen erheblich übertrifft. Diese Datensätze unterliegen gut definierten physikalischen Prinzipien, die TG-PhyNN effektiv nutzt, um zuverlässigere und genauere Vorhersagen in verschiedenen Bereichen zu bieten, in denen physikalische Prozesse die Dynamik der Daten steuern. Dies ebnet den Weg für verbesserte Vorhersagen in Bereichen wie der Verkehrsvorhersage, der Vorhersage von Krankheitsausbrüchen und möglicherweise anderen Feldern, in denen die Physik eine entscheidende Rolle spielt.