AAAIDec, 2020

STELAR：带有潜在流行病学正则化的时空张量分解

PDF
TL;DR本论文提出了一种基于张量方法（STELAR）的模型，旨在准确预测 COVID-19 等流行病在多个区域的演化趋势，训练模型使用 3D 张量，经过实验证明，该模型能够在县级和州级预测中对该病毒的传播情况实现准确预测。
covid-19epidemictensor methodstelarprediction
发现论文，激发创造
  • STAN：基于实际证据的时空关注网络用于疫情预测

    本文通过使用真实世界患者数据和地理数据以及传染病传播定律设计的损失项来提高预测准确性，提出了一种基于定位注意力和空间 - 时间图卷积网络的流行病预测方法，并在 COVID-19 数据集上进行了测试。结果表明，这种方法在短期和长期预测中均优于现有方法，提高了预测的准确性。

    Jul, 2020

  • 时空线性：面向通用多元时间序列预测

    复杂多元时间序列预测中，通过简单的线性模型结构来整合时间嵌入和空间信息的 SpatioTemporal-Linear 框架优于深度学习技术中的线性模型和 Transformer 模型在多种观测和预测时长的数据集上的性能表现。

    Dec, 2023

  • 基于图分解学习的多因素时空预测

    我们提出了一个多因素时空预测任务，预测不同因素下局部时空数据的演变，并将它们结合起来进行最终预测。通过理论解决方案和可移植的实例化框架，我们在这个任务中做出了两个贡献：提出了一种称为分解预测策略的有效理论解决方案，并从信息熵理论的角度证明了其有效性。在此基础上，我们实例化了一个新颖的模型无关框架，名为时空图分解学习（STGDL），用于多因素时空预测。框架包括两个主要组件：自动图分解模块，将时空数据中固有的原始图结构分解为对应于不同因素的子图，以及分解学习网络，分别学习每个子图上的局部时空数据，并将它们整合为最终预测。我们对两种类型的四个真实世界时空数据集进行大量实验，即网格图和网络图。结果表明我们的框架平均显著减少了各种时空模型的预测误差（最多达到 35.36% 的减少）。此外，一项案例研究揭示了我们框架的可解释性潜力。

    Oct, 2023

  • 高效可解释的多分辨率张量学习空间分析

    本文提出了一种新颖的多分辨率张量学习算法，用于在提高解释性的同时提高计算效率，该算法从粗糙的分辨率到细粒度逐步学习，证明了其理论收敛和计算复杂性，并在实际数据集中展现了 4~5 倍的性能提升。

    Feb, 2020

  • TASTE：基于时间和静态张量分解的电子健康记录表型化

    本文提出了一种名为 TASTE 的张量分解算法，能够同时考虑电子健康记录中的静态和时序信息，经综合实验验证，TASTE 所提取的心力衰竭患者表型效果较好。

    Nov, 2019

  • MPSTAN：基于族群分布的时空关注网络用于流行病预测

    本文提出了一种新型的混合模型 —— 基于母体群体的时空注意力网络（MPSTAN），通过将多点流行病学知识与时空模型相结合并自适应定义不同点之间的相互作用来提高流行病预测的准确性。在两个代表不同流行病学演化趋势的数据集上的广泛实验表明，我们提出的模型优于基线并提供更准确和稳定的短期和长期预测。

    Jun, 2023

  • 股票运动预测的时空变换器

    提出了一种新颖的使用空间时间转换器 - LSTM 模型的 STST 方法来预测股票涨跌，该模型在 ACL18 和 KDD17 数据集上分别获得了 63.707％和 56.879％的准确率，并用于模拟交易，获得了不低于 S＆P500 股票指数的 10.41％的最小收益率和 31.24％的最小年化收益率。

    May, 2023

  • 一种面向移动性的深度学习模型用于长期 COVID-19 疫情预测和政策影响分析

    该研究提出了一种以图形化方式对流行病进行建模、具有更好的边缘表征以及可扩展预测能力的模型，在流动性分析方面具有很强的研究价值和政策指导意义，该模型提供了有效的工具箱，能够帮助公共卫生研究人员和政策制定者预测不同的封锁策略如何影响疫情的传播，并模拟了某些政策的影响和控制传染的预测。

    Dec, 2022

  • Stecformer: 空间 - 时间编码叠加变换器用于多元长期时间序列预测

    本研究提出了一种完整的解决方案，包括特征提取和目标预测，旨在解决多变量长期时间序列预测中的空间特征提取和不同预测时期的一致性问题。新的方法称为 “时空编码串联变压器（Stecformer）”，其采用高效的时空编码提取器和级联解码预测器来改善基线模型的性能，并在五个基准数据集上实现了与基线模型可比较的最先进性能。

    May, 2023

  • 具有忠实编码的诊断时空转换器

    本文提出了一种新的控制建筑电梯工业应用程序的时空依赖性发现模型，DFStrans，它应用了基于离散傅里叶变换的新位置编码，并通过监督学习发现探测目的的 ST 依赖性。

    May, 2023