Jun, 2024

基于多目标强化学习的时空提前预测

PDF
TL;DR介绍了基于多目标强化学习的时空早期预测模型，解决了提高早期预测准确性和确定每个区域最适合的预测时间的最优策略的问题。在三个大规模真实数据集上表现出了优异的性能，在早期时空预测任务中超越了现有方法。
accuracytimelinessspatio-temporal early prediction modelmulti-objective reinforcement learningearly spatio-temporal prediction tasks
发现论文，激发创造
  • 基于统一回放的连续学习框架在流数据上的时空预测

    在无线和移动设备的广泛部署导致了时空数据的大量产生，我们提出了一个统一的回放式持续学习框架，用于实现对流数据的时空预测，避免灾难性遗忘并提高性能。

    Apr, 2024

  • 多城市学习：基于元学习的时空预测方法

    本文提出了一种基于传递学习和元学习范式的空间时间预测模型，该模型可以通过多个城市的数据来提高传递的稳定性以及通过潜在的周期性信息在交通和水质预测任务中表现出良好的效果。

    Jan, 2019

  • 实时犯罪预测的深度学习

    研究使用深度学习的 ST-ResNet 预测洛杉矶地区的实时犯罪分布，通过对原始犯罪数据进行空间和时间的正则化处理，采用细节残差卷积单元的层次结构来训练多因素犯罪预测模型，实验证明了该模型具有高度准确的预测能力。

    Jul, 2017

  • 深度学习实时犯罪预测及其三值化

    本研究使用空间时间残差网络预测了洛杉矶不同区域在小时层面的犯罪分布情况，通过和其他预测方法的比较证明了其更高的准确度，并提出使用三值化技术解决实际资源短缺的问题。

    Nov, 2017

  • 多元未来预测

    为了预测智能与健壮的复杂动态环境下未来的多个目标路径，该论文提出了基于概率的框架来学习表示语义多模态未来的潜在变量，其中利用动态基于注意力的状态编码器学习编码智能体之间的交互，可被用于车辆轨迹预测。

    Nov, 2019

  • 交通中轨迹预测的快速无地图模型

    该研究提出了一种高效的轨迹预测模型，不依赖于交通地图，通过在两个阶段中综合应用注意机制、LSTM、图卷积网络和时间变换器等技术，编码了单一代理的时空信息，并探索了多个代理之间的时空交互信息，实现了比现有无地图方法更高的性能，并超过了 Argoverse 数据集上大多数基于地图的最先进方法，同时也具有比基准方法更快的推理速度。

    Jul, 2023

  • 隐空间中的基于模型的规划的时间预测编码

    本文使用时间预测编码等方法，构建了一种信息论方法的强化学习模型，可帮助解决高维度观测值与复杂背景的问题。

    Jun, 2021

  • 带时间窗的概率时空约束下的强化学习

    我们提出了一种基于自动机理论的强化学习方法，用于复杂时空约束下的限时学习。该方法通过将有界时态逻辑约束转化为总自动机，并基于已知的转移概率上下界避免 “不安全” 动作，从而在学习过程中强制满足约束条件的概率达到预期值。

    Jul, 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

  • 基于互信息的迁移学习交通预测方法

    TrafficTL 是一种跨城市交通预测方法，使用其他城市的大数据来辅助缺乏数据的城市做出更准确的预测，并利用深度学习的 Spatio-temporal 模型来提高预测精度。在三个真实数据集上的综合案例研究表明，TrafficTL 比最先进的基线模型提高了约 8-25% 的预测精度。

    Mar, 2023