适应不平衡数据:使用 3D 部分卷积和偏置掩码插值城市时空数据
该论文提出了一种基于注意力机制的体系结构,可以在处理高度稀疏的时间序列数据时提高自动编码器的鲁棒性,达到填充(imputation)缺失值的目的。
May, 2022
这篇论文研究了使用深度神经网络架构解决多元时间序列插补问题。通过利用低秩插补方法的经验和专长,我们为传统的 Transformer 模型添加了三项知识驱动的增强,包括投影时间注意力、全局自适应图卷积和 Fourier 插补损失。这些面向任务的归纳偏置利用了不完整时间序列的内在结构,使得我们的模型适用于多种插补问题。我们通过在包括交通速度、交通流量、太阳能、智能电表和空气质量等异构数据集上进行全面的案例研究来进一步加强其可解释性,并通过有希望的实证结果有力地证明了将低秩属性等时间序列原始特征纳入模型可以大幅促进通用化模型的开发,从而解决广泛的时空插补问题。
Dec, 2023
通过引入一种新颖的时空 Transformer 模型(ST-Transformer)来解决稀疏时空数据中缺失值的问题,本研究展示了该模型在土壤湿度数据中的应用,其通过多个时空注意力层来捕捉数据中复杂的时空相关性,并在填补过程中整合额外的时空协变量以提高准确性,相较于其他著名的填补方法,该模型表现出卓越的准确性,并在其他数据集的模拟研究中展示了其在各种时空填补任务中的广泛适用性。
Dec, 2023
该研究提出了一个名为 STS 的多任务预测模型,可以联合三维空间、时间和语义方面的异常模式与影响因素间的内部和互间关系,并使用定制的损失函数解决由于稀疏零膨胀数据引起的问题,从而有效预测城市安全和维护方面的多种异常情况。通过四个实际数据集上的实验验证,该模型在平均绝对误差和均方根误差方面比现有方法表现更优秀。
Apr, 2023
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
本文介绍一种基于迭代填充网络的模型,用于处理机器学习任务中的传感器数据且能够捕捉数据中的潜在大范围动态,并在北京空气质量和气象数据集中显着优于以往的插值填充方法,同时在不同的缺失率实验中也表现出一致的优越性。
Nov, 2017
本文研究如何使用三维空间时间部分卷积作为神经网络的层来填补卫星图像时间序列中的缺失,然后将 U-Net 模型应用于 Sentinel-5P 卫星所提供的不完整的全球一氧化碳观测的图像时间序列,并将结果与两种统计方法进行比较,结果表明预测误差相当,但预测时间快三个量级,适用于处理大量卫星数据。
Aug, 2022
我们提出了一种名为 MagiNet 的 Mask-Aware Graph imputation Network,该方法旨在通过学习不完整数据的潜在表示,并捕捉不完整交通数据中固有的空间和时间依赖性,来填补缺失值。在五个真实世界交通数据集上的广泛实验证明,我们的方法在均方根误差(RMSE)和平均绝对百分比误差(MAPE)方面优于现有最先进的填补方法,平均改进了 4.31% 和 3.72%。
Jun, 2024