Jul, 2024

PredBench: 多学科时空预测性能评估

HTML
PDF
TL;DR本研究介绍了PredBench，这是一个量身定制的基准测试，用于对时空预测网络进行整体评估。通过大规模实验、统一和适当的实验设置以及多维评估，PredBench弥补了这一领域标准化框架的不足。通过与多个应用领域的15个不同数据集结合，整合了12种广泛采用的方法，提供了对当代时空预测网络的广泛评估。研究结果为未来的发展提供了战略方向。
发现论文，激发创造
  • PredRNN：一种用于时空预测学习的循环神经网络

    本文提出了一种新的循环神经网络PredRNN，该网络利用zigzag记忆流在不同层次RNN中进行传播，通过内存解耦丢失来防止内存单元学习重复功能，并使用课程学习策略来促使网络从上下文帧中学习长期动态。在五个数据集上进行的行为无关和行为条件预测学习场景中，该方法表现出了极高的竞争力。

    Mar, 2021

  • 可扩展的时空图神经网络

    本文提出了一种可扩展的体系结构，利用随机循环神经网络将输入时序的历史数据嵌入到高维状态表示中，并利用不同幂次的图相邻矩阵沿空间维传播以生成节点嵌入，从而实现多尺度的时空特征表示，我们的方法在保证结果竞争力的同时，大大降低了计算负担。

    Sep, 2022

  • 基于图的时空预测中的局部效应控制

    本文旨在理解全局性和局部性在基于图的时空预测中的相互作用，并同时提出了一种方法论框架来合理化在这些结构中包含可训练节点嵌入的实践，通过在多个实验中提供强有力的经验证据和指导，我们论证了如何将图形模型专业化以适应每个时间序列的规律，展示了这个方面在获得准确预测中的关键作用。

    Feb, 2023

  • 高效和全面的城市时空预测：统一库和性能基准

    该研究提供了应对城市时空预测领域中存在的各种挑战的创新解决方案，包括建立标准框架来实现和评估方法、提出一种统一的空间时间数据存储格式atomic files以及建立一个开源的实验库LibCity，通过对65个已有模型的复现和55个空间时间数据集的收集，研究者可进行更全面的实验和对比，为该领域未来的技术发展和研究方向提供了有前途的展望。

    Apr, 2023

  • 基于图神经网络的时空数据处理：方法与应用

    文章介绍了大数据背景下基于图神经网络的空时数据建模和应用，系统地概述了从构建空时图到使用不同神经网络算法进行数据处理和分析的过程，并总结了当前研究的技术和应用，进一步探讨了未来的研究方向和挑战。

    May, 2023

  • OpenSTL: 时空预测学习的综合基准测试

    本文提出了OpenSTL，这是深度学习领域中，一个比较全面的基准测试，用于对空间 - 时间预测学习方法进行分类和评估，鲜见较为系统的研究，论文还对时序模型和数据集因素进行了详细分析，并提出了一种可提高空间 - 时间预测学习性能的通用MetaFormers模型。

    Jun, 2023

  • GPT-ST：时空图神经网络的生成式预训练

    该研究提出了一个融入下游基线模型并提升其性能的时空预训练框架，其中包括一个时空蒙版自编码器和一个自适应蒙版策略，通过学习时空依赖关系和不同关系的建模，在交通管理和旅行规划方面取得了显著的效果。

    Nov, 2023

  • 时空线性：面向通用多元时间序列预测

    复杂多元时间序列预测中，通过简单的线性模型结构来整合时间嵌入和空间信息的SpatioTemporal-Linear框架优于深度学习技术中的线性模型和Transformer模型在多种观测和预测时长的数据集上的性能表现。

    Dec, 2023

  • UrbanGPT：时空大型语言模型

    基于大型语言模型和空间-时间依赖编码器的UrbanGPT在数据稀缺情况下实现了更全面、准确的空间-时间预测任务，显示了在零样本场景中建立大型语言模型的潜力。

    Feb, 2024

  • 4DBInfer：面向关系数据库的图中心预测建模的4D性能评估工具箱

    通过将多表数据集转化为图形并利用有效的子采样策略保留表格特性，以及输出基于这些输入子图的预测的具有相匹配归纳偏差的可训练模型，该研究试图解决关于关系型数据库(RDBs)的预测模型发展方面存在的问题，并提供了一个包含多尺度RDB数据集以及一致的预测任务的基准集，通过一个名为4DBInfer的统一可扩展开源工具箱来探索这些问题的4个方面。

    Apr, 2024