Master's thesis defense: question, method, results and contributions

A Chinese defense presentation made from a thesis PDF: an editable diagram of the proposed model, the results tables rebuilt as native charts, a figure from the thesis with its credit, an ablation study, limitations and references. The speaker notes work as a rehearsal script, with the questions a committee is likely to ask and points for answering them. The thesis is fictional.

The document it was given

A condensed fictional master's thesis (PDF, 6 pages) with three figures and three tables.

With these instructions 硕士学位论文答辩，由作者林知远向答辩委员会汇报：研究背景与问题、相关工作、数据与问题定义、方法（用可编辑的模型结构图说明多图构建、图注意力、多尺度时间卷积与外部因素）、实验结果（用原生可编辑图表重建，只使用论文表格中的数字）、消融分析、案例、贡献、不足与展望，最后一页致谢与参考文献。论文原图要注明“图源：本论文”。论文、作者与数据均为虚构，用于演示。演讲者备注要像答辩准备稿：讲清每页要点，并在关键页面列出委员会可能提出的问题和建议的回答要点。

Download the .pptx147 KB Make a deck in this look

Free to download, no sign-in needed. Open it in PowerPoint and change anything.

Look: Data Journalism
Deck type: Academic Research
Images: Document figures only
Slides: 16
Deck language: 中文 (简体)

Every slide, unedited

Click a slide to see it large.

1基于多尺度时空图注意力网络的城市共享单车需求预测研究

Speaker notes
各位委员好，我是林知远，今天汇报的题目是《基于多尺度时空图注意力网络的城市共享单车需求预测研究》。我将围绕研究问题、模型设计和实验验证展开，并说明结论能够支持到什么范围。首先说明，本论文、作者、学校及全部实验数据均为虚构，仅用于演示，以下结果不代表真实城市的实证结论。
2提前调度需要同时理解区域关联与时间波动

Speaker notes
在这个演示研究中，出发点是早晚高峰期间借车需求与车辆分布的错位：有些区域缺车，另一些区域则车辆堆积。要为提前调度提供信息，仅观察某一区域自身的历史需求还不够，还需要考虑区域之间的联系、不同时间尺度的变化，以及天气和节假日的影响。因此，本文将任务限定为未来15至60分钟的区域借车量预测，而不直接输出调度方案。委员会可能问：预测准确是否就意味着调度有效？建议回答：预测是调度的输入之一，本文没有联合求解调度决策，因此不能据此宣称运营收益。
3已有方法提供时空建模基础，本文聚焦关系与尺度扩展

Speaker notes
围绕这三个问题，已有研究已经提供了时间序列建模和时空联合建模的基础。统计方法计算简单，但对非线性和空间相关的刻画有限；LSTM能够学习时间依赖，而时空图模型进一步引入区域间的信息传播。本文并不是首次提出图注意力，而是在已有方法基础上，将多类区域关系、多尺度时间模式和外部因素进行任务导向的整合。委员会可能问：与已有图模型相比，创新在哪里？建议回答：创新定位在组合设计及其消融验证，不能把所有基线都简化为单一距离图，也不主张基础注意力机制上的原创。
4先定义预测任务，再构建时空关联

Speaker notes
明确这一创新边界后，下面先把研究问题转化为具体的输入、输出和评估对象，再介绍模型如何组织空间关系与时间信息。这样可以将每一个结构设计与前面提出的问题对应起来。
5用过去3小时信息预测612个区域的短时需求

Speaker notes
首先落实预测任务：本文以612个区域的15分钟借车量为对象，利用过去12个时间片，也就是3小时的信息，预测未来15、30和60分钟的需求。演示数据覆盖2024年3月至8月，共1,820万条订单，前四个月训练、7月验证、8月测试，保持了历史在前、评估在后的时间顺序。这里需要区分，模型预测的是借车量，而不是区域车辆库存或净流入量。委员会可能问：按时间划分是否足以排除信息泄漏？建议回答：时间划分是必要条件，但还需核查历史流向图和预处理是否只使用允许访问的数据；现有材料没有展开这些实现细节，不能据此声称已完成全面核查。
6MS-STGAT把多图、时间尺度与外部因素汇入预测

Speaker notes
在这一输入输出定义下，MS-STGAT先处理区域之间的信息联系，再提取时间模式，最后加入外部因素形成预测特征。历史需求分别经过距离图、功能图和流向图上的图注意力计算，再通过可学习权重融合空间信息。时间部分并行提取局部变化和日周期模式，天气、气温及节假日则经过嵌入后与时空特征拼接。这样的组织方式，是让空间、时间和外部条件分别提供补充信息，而不是仅靠增加一个更复杂的时间预测器。
7三类图分别编码邻近、功能相似与通勤联系

Speaker notes
具体来看，空间模块的关键是让区域关联不只由距离决定。距离图使用区域中心点距离的高斯核，功能图使用12类POI分布的余弦相似度，流向图则使用历史订单起讫流量，因此能够分别表达邻近性、功能相似性和通勤联系。比如两个相距较远的商务区，可以通过功能图建立联系，再由分图注意力和融合权重决定如何利用这些信息。委员会可能问：较大的注意力权重是否说明某个区域对另一区域有因果影响？建议回答：不能，它只反映模型对关联信息的利用，不构成因果效应的证据。
8并行时间分支兼顾局部波动与日周期

Speaker notes
空间关联之外，需求还同时包含短时变化与周期规律，因此时间模块采用并行分支，而不是只依赖单一时间尺度。论文设置扩张率为1、2、4的空洞卷积，分别对应所标注的15分钟、30分钟和1小时时间尺度，并加入日周期分支，再拼接外部因素嵌入。委员会可能问：只有过去3小时输入，日周期信息从哪里来，扩张率是否就等于感受野？建议回答：现有材料明确了分支设计，但没有交代日周期取样、卷积核大小和层数；日周期需要相应历史信息，精确感受野也不能仅由扩张率确定，这些属于需要补充说明的实现细节。
9用基线比较与消融检验设计是否有效

Speaker notes
以上是模型的设计依据，接下来需要检验这些设计是否真正对应误差改善。实验将依次从与基线的整体比较、模块移除后的变化，以及单区域案例三个层面提供证据。
1060分钟MAE为3.97，较最优基线降低7.9%

Speaker notes
先看整体比较，在60分钟预测任务中，本文模型的MAE为3.97，低于所列七个基线。最有决定性的对照是其中表现最好的Graph WaveNet，其MAE为4.31，本文相对降低7.9%，因此优势并不只是来自与简单统计方法的比较。基线按原文推荐参数在验证集上调参，但这些结果仍然只是本测试集上的点估计。委员会可能问：这7.9%的改善是否具有统计显著性？建议回答：现有材料没有提供重复实验和置信区间，因此只能报告观察到的降幅，不能宣称统计显著。
11三个预测时长上，本文模型MAE均低于所列基线

Speaker notes
这一改善并不只出现在60分钟任务上，15分钟和30分钟的MAE也分别从Graph WaveNet的3.12和3.65降至2.98和3.41。随着预测时长增加，各模型误差都在上升，但论文报告本文相对最优基线的降幅由15分钟的4.5%扩大到60分钟的7.9%。在60分钟任务上，RMSE也由7.08降到6.62，MAPE由27.0%降到24.8%，说明改善方向不局限于MAE这一项指标。不过，这些是同一测试条件下的多指标证据，还不能等同于跨场景的稳定性验证。
12单项移除中，去掉流向图的误差增幅最大

Speaker notes
整体结果回答了模型是否更准确，消融实验进一步考察哪些设计与这种改善有关。在所列单项移除中，去掉流向图后MAE从3.97升至4.20，相对上升5.8%，幅度最大；去掉多尺度时间卷积后为4.18，也说明时间尺度建模具有作用。只用距离图时MAE升至4.29，但这是同时改变多类关系的组合变体，不能与单项移除混为一谈。委员会可能问：能否把各模块的增益相加，得到总贡献？建议回答：不能，模块之间可能存在交互，这里测量的是相对完整模型的条件变化，而不是各模块独立的因果贡献。
13地铁站周边案例呈现早晚高峰的跟踪能力

Speaker notes
在平均误差之外，案例分析帮助我们理解模型面对高峰变化时的具体表现。论文选取某地铁站周边区域在2024年8月16日的逐时借车量，报告早高峰8时为42单、晚高峰18时为44单，高峰预测误差小于3单。这提供了峰值跟踪能力的直观例证，但由于只涉及一个区域和一天，不能推断所有区域都能达到同样效果。如果委员会询问案例是否具有代表性，建议回答：它用于解释而不是证明普遍性，整体判断仍应依据全测试集，而现有材料没有提供更多分区域、分情境的验证结果。
14贡献在于多图与多尺度整合，推理效率具备应用潜力

Speaker notes
综合整体比较、消融与案例，本文的贡献可以归结为多类关系和多尺度时间信息的整合，而不是某个基础算子的首次提出。效率方面，论文报告参数量为0.86M、单GPU每轮训练41秒、单批推理12毫秒，这说明模型具有进一步开展应用验证的潜力。委员会可能问：12毫秒是否足以证明可以直接部署？建议回答：不能，单批模型推理不等于完整业务链路耗时，还需要在目标硬件、实际批量和数据处理条件下开展端到端评估，更不能用推理速度代替调度收益验证。
15单城、稀少极端天气与调度脱节限制结论外推

Speaker notes
正因为预测精度和推理效率还不能直接证明实际应用价值，结论外推需要明确三方面限制。首先，实验只涉及一个城市，跨城市迁移尚未验证；其次，极端天气样本较少，不能据此判断压力情境下的鲁棒性；最后，当前只预测借车量，没有引入还车需求并连接调度优化。后续工作应分别通过第二城市验证、压力情境评估，以及预测与调度的联合研究来回应这些缺口。委员会可能问：后续研究最关键的评价变化是什么？建议回答：除预测误差外，还需要检验与调度衔接后的实际运营收益，但本文尚未提供这类结果。
16多图与多尺度融合改善本实验预测，下一步检验外推价值

Speaker notes
在这些边界下，本文能够支持的结论是：在虚构演示数据与既定评估设置中，多图、多尺度时间模式和外部因素的融合改善了预测表现，60分钟MAE较最优基线降低7.9%，但跨城市有效性和实际调度收益仍需验证。我的汇报到此结束，相关方法的完整书目信息可在论文参考文献中查阅，感谢各位委员，敬请批评指正。