考虑外部因素的垂直轨道线路的时空预测

Nov, 2022

考虑外部因素的垂直轨道线路的时空预测

Spatiotemporal forecasting of vertical track alignment with exogenous factors

Katsuya Kosukegawa, Yasukuni Mori, Hiroki Suyari, Kazuhiko Kawamoto

TL;DR通过整合空间和外生因素计算，采用卷积长短时记忆网络来预测垂向高差的轨道几何不规则性，实验结果显示，采用外生因素及空间计算显着提升了预测垂向高差的准确性。

Abstract

To ensure the safety of railroad operations, it is important to monitor and forecast track geometry irregularities. A higher safety requires fore

railroad operations track geometry irregularities forecasting exogenous factors spatial correlations

发现论文，激发创造

应用预言家方法学习灰色时空系统中非连续时空动态

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。

Aug, 2022

自监督时空数据的时间分析

通过自我监督学习方法，将地理空间活动时间序列转化成任务无关的时间嵌入表示，然后使用深度语义分割，将这些嵌入转换成用于下游任务的基于图像通道的表示，实现对住宅区和商业区等不同类型用地的分类。

Apr, 2023

基于条件神经场的时空预测通用方法

自主系统的关键能力是自我意识，该论文提出一种融合神经网络和条件神经场的方法来预测时间序列，并有效地结合全局和局部信息来提高其准确性。

May, 2023

基于关系的未来轨迹预测

提出了一种关系感知的导航策略预测框架，通过视觉编码和时空特征识别道路用户之间的相互作用及其与环境的关系，进而预测目标道路用户未来的位置。在公共基准数据集上进行了广泛的评估并获得了比现有方法更高的效果。

May, 2019

基于潜在特征分析的时空交通数据恢复方法

本文针对智能交通系统中数据缺失问题，基于隐藏特征分析提出了一种基于时空交通模式的矩阵完成方法，能够准确地估算连续的缺失数据。

Aug, 2022

因果连续治疗效应估计的时空熵平衡

基于灵活的时间空间网格划分技术，本研究提出了一种以连续熵平衡为基础的因果连续处理的时空熵平衡方法（TS-EBCT），经过实验证明，在城市货运领域应用 TS-EBCT 方法后，因果效应的预测准确性显著提高，为公司的补贴和定价策略带来良好的商业利益。

Dec, 2023

TempEE: 时空并行变换器用于雷达回波外推超越自回归

本文介绍了一种新的雷达回波外推算法，该算法利用时空相关特征和 Transformer 技术，通过从多帧雷达图像中提取特征来准确表示降水的非定常运动过程，增强对全局 - 局部信息的感知能力并以轻量级方式突出与任务相关的特征区域，并在真实世界数据集上验证了其有效性和必要性

Apr, 2023

利用物理引导和频率增强的循环神经网络增强时空预测

该研究论文提出了一种物理引导的神经网络，利用频率增强的傅里叶模块和矩损失来增强模型估计时空动态的能力，并提出了具有物理约束的自适应二阶龙格 - 库塔方法，以更准确地建模物理状态。实验结果表明，该模型在时空预测和视频预测任务中表现出色，在多个数据集上具有最佳性能，而参数数量却更少。

May, 2024

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

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