Nov, 2023

自监督去除时空偏移的对抗性分析：理论和建模

PDF
TL;DR该研究论文提出了一种基于因果关系的理论解决方案，名为 “Disentangled Contextual Adjustment (DCA)”，以及一种名为 “Spatio-Temporal sElf-superVised dEconfounding (STEVE)” 的框架，用于处理 ST 交通预测中的分布变化问题，以提高预测性能。实验结果表明，STEVE 在各种不同的 ST 分布变化场景下始终优于现有技术基线。
st traffic forecastingout-of-distribution (ood) issuedisentangled contextual adjustment (dca)spatio-temporal self-supervised deconfounding (steve)ood st traffic forecasting
发现论文，激发创造
  • 基于时空自监督学习的交通流量预测

    本文提出了一种新的 Spatio-Temporal Self-Supervised Learning (ST-SSL) 交通预测框架以解决现有方法中存在的空间异质性和时间异质性问题，其中结合了时间和空间卷积以及自我监督辅助任务，实验结果表明，该方法在四个基准数据集上表现良好而且可适用于其他时空应用。

    Dec, 2022

  • 时空隐式神经表示作为广义交通数据学习器

    通过参数化空时交通数据（STTD）为隐式神经表示，我们提供了一种新的方法来解决 STTD 学习问题。通过在低维度范围内识别潜在动力学和分解空时交互作用，我们的方法能够进行各种 STTD 的建模，并展示了其在实际应用中的有效性。

    May, 2024

  • 解读时空图预测：因果视角与处理

    通过使用因果治疗，本文提出了一种名为 CaST 的新框架来解决时空图预测中的时间分布外问题和动态空间因果问题，该框架通过建立结构因果模型来解析 STG 的数据生成过程，使用新的解缠结块通过反门调整来处理时间分布外问题，并利用前门调整和 Hodge-Laplacian 操作符进行边级卷积，以模拟因果效应的涟漪效果。在三个真实数据集上的实验证明了 CaST 的有效性和实用性，并且在解释性方面表现出色。

    Sep, 2023

  • 利用空间对比预训练进行在训练数据中看不见的新道路的交通预测

    本论文介绍了一种新的设置，称为时空分裂，用于评估模型推广到未出现在训练数据中的新道路的能力，并提出了一种名为空间对比预训练的新型框架来从未见过的道路中提取潜在特征。 SCPT 框架不需要重新训练，在四个真实的数据集上实验结果表明，将 SCPT 添加到神经网络骨干中可以提高预测性能，特别是在进一步预测未来时提高更为显著。

    May, 2023

  • STS-CCL：城市交通预测的时空同步上下文对比学习

    本文提出了一种基于空间 - 时间同步对比学习（STS-CCL）模型的高效方法，通过图数据的增强和同步对比模块实现了复杂的空间 - 时间表示的捕获，进而在交通预测任务中取得了优越的性能。

    Jul, 2023

  • 交通流量预测的时空转换网络

    本文提出了一种新的空间 - 时间变换网络的范例来改善长期交通预测的准确性，其中使用图神经网络和自注意机制来动态建模交通数据中的有向空间相关性，并利用跨多个时间步骤的长程双向时间依赖性。实验证明，该模型在 Real-world 数据集上预测交通流量方面的性能要好于现有工作。

    Jan, 2020

  • 基于时空依赖的交通数据插值的深度学习框架

    本文研究了如何使用数据填充的方法处理由于交通网络动态变化引起的多变量时间序列中缺失的时空数据，并就现有方法存在的问题提出了改进方案。

    Apr, 2023

  • 时空解耦掩码预训练用于交通预测

    通过使用掩码自编码器进行预训练，我们提出了一种新颖的框架 STD-MAE，用于准确预测多变量交通流时间序列，该框架能够学习和编码复杂的时空依赖关系，并通过隐含表示增强下游时空交通预测模型的能力。

    Dec, 2023

  • 多模态时空预测的自监督学习

    通过自监督学习提出了一种新的多模态时空学习框架，称为 MoSSl，旨在从时间、空间和模态角度揭示潜在模式，并量化动态异质性。实验结果验证了我们方法相对于现有基线的优越性。

    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