Aug, 2022

应用预言家方法学习灰色时空系统中非连续时空动态

PDF
TL;DR本文提出了一种基于因素解耦的灰色时空系统学习框架 FDG2S，用于处理存在缺失观测的非连续预测问题。该框架通过语义邻近序列采样和因子解耦聚合策略实现了对非连续状态预测的模拟。与此同时，该文中提出了一种解开不确定性的方法 DisEntangled Uncertainty Quantification 以保证模型的可靠性和可解释性。
spatiotemporal forecastinggrey spatiotemporal systemsmissing observationfactor-decoupled learning frameworkdisentangled uncertainty quantification
发现论文，激发创造
  • 基于图的缺失数据时空降采样预测

    通过分层时空下采样，利用可解释的注意机制结合观测和缺失数据模式，我们的方法在不同的缺失数据分布以及连续缺失数据块存在的情况下，在合成和实际基准测试中优于最先进的方法。

    Feb, 2024

  • 面向时空序列预测的机器学习：综述

    通过对时空序列预测 (STSF) 的三个子类别的对比和对 STSF 中两个主要挑战的综述，提供了一种机器学习解决方案，并为 STSF 领域提出了一些潜在的研究方向。

    Aug, 2018

  • 无观测区域的时空预测

    我们提出一种名为 STSM 的模型，通过对相邻具有记录数据的区域进行对比学习，从类似感兴趣区域的位置中学习，通过选择性的屏蔽策略实现学习，最终在交通和空气污染预测任务中优于现有模型，持续降低误差。

    Jan, 2024

  • 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

  • 学习时间感知图结构进行空间相关时间序列预测

    提出了一种名为 Time-aware Graph Convolutional Recurrent Network (TGCRN) 的统一框架，通过 Time-aware Graph Structure Learning (TagSL) 和 Graph Convolution-based Gated Recurrent Unit (GCGRU) 在编码器 - 解码器结构中联合捕捉空间和时间依赖关系，用于多步骤的时空预测。实验证明，TGCRN 能够推进现有技术的发展，并提供了详细的消融研究和可视化分析，深入揭示了时间感知结构学习的有效性。

    Dec, 2023

  • 时空序列中的稀疏图学习

    本文提出了一种基于分数的概率方法，学习图的关系依赖性。该方法可用于时间序列预测，可在最大化任务性能的同时控制图的稀疏性和计算可扩展性，同时提高了准确性。

    May, 2022

  • 时空序列预测与关系发现的时空神经网络

    本研究提出了以循环神经网络为基础的动态时空模型，用于预测具有时空依赖的空间过程的时间序列，通过结构化的潜在动态组件学习这些依赖关系，从而预测观测结果，模型经过多种预测问题的评估和比较，被证明能够从中提取出相关的空间关系。

    Apr, 2018

  • 必要枢纽：基于本质连接神经网络的多元时间序列时空预测

    本研究主要探讨了基于空间 - 时间图神经网络的多元时间序列建模和预测，提出了一种紧凑型的预测模型，通过节点标识驱动，不需要复杂的顺序模块，并使用稠密编码器 - 解码器和消息传递层，能够有效地处理空间 - 时间问题。实证结果表明，这种简单而优雅的模型在适当归纳基础的情况下，与复杂的设计相比，具有更好的性能，更易解释，更高效。

    Jul, 2023

  • 时序解缠对比扩散模型的时空填补

    利用趋势和季节信息的条件特征和对比学习，C$^2$TSD 能更好地生成稳定和泛化性能强的模型，在三个真实数据集上的广泛实验显示其优越性能。

    Feb, 2024

  • 融合扩散模型的概率时空图学习方法

    在这篇论文中，我们提出了统一的时空扩散模型（USTD），以条件信息和共享的时空模式为基础，统一地处理学习任务。USTD 综合设计了共享的时空编码器和基于注意力的去噪网络，有效捕捉条件时空模式并生成预测。与确定性编码器和概率扩散模型的优点相结合，USTD 在预测和 Kriging 的下游任务中取得了最先进的性能，并提供了宝贵的不确定性估计。

    Oct, 2023