Towards Spatio-Temporal Aware Traffic Time Series Forecasting
Towards Spatio-Temporal Aware Traffic Time Series Forecasting
摘要:由于复杂的时空动态,不同地点的时间序列往往具有不同的模式,交通时间序列预测具有挑战性;对于相同的时间序列,模式可能会随着时间而变化,例如,一天中某些时段显示出更强的时间相关性。尽管最近的预测模型,特别是基于深度学习的模型,显示出了良好的结果,但它们是时空不可知论的。这种时空不可知模型使用一个共享的参数空间,而不考虑时间序列位置和时间周期,它们假设时间模式在不同位置是相似的,不随时间演变,这可能并不总是成立,因此导致次优结果。在这项工作中,我们提出了一个框架,旨在将时空不可知论模型转化为时空感知模型。为此,我们将不同位置的时间序列编码为随机变量,从中生成特定位置和时变的模型参数,以更好地捕捉时空动态。我们将展示如何将框架与规范关注点集成,以实现对时空的关注。其次,为了弥补时空感知模型参数生成过程带来的额外开销,我们提出了一种新的窗口关注方案,它有助于将复杂性从二次型降低到线性型,使时空感知的关注也具有竞争效率。我们在四个交通时间序列数据集上展示了强有力的经验证据,其中提出的时空感知关注在准确性和效率方面优于最先进的方法
背景:
1)这就需要空间感知建模,不同的模型参数可以用于从不同位置对时间序列建模(不同传感器之间的时间序列关系)
2)这就需要时间感知建模,不同的模型参数可以用于不同时间的时间序列建模。(同一个传感器内部的时间序列周期变化关系)
综上所述,复杂的时空交通动态需要时空感知预测模型,该模型能够(1)在不同位置捕捉不同的模式;(2)能快速适应不同时间段的格局变化
总结:论文感觉乱糟糟的,阅读感不好。文中主要提出了基于时间和基于空间的两个因素。重点在于提出基于窗口方法降低模型空间复杂度的方法
Problem Definition
METHODOLOGY
1)Spatio-Temporal Aware Modeling
空间感知的随机潜在变量z(i)有望代表第i个时间序列中最普遍和最显著的模式。它是空间感知的,因为来自不同地点的时间序列有不同的变量z(i),因此有望从不同地点捕捉不同的模式。由于我们不依赖于潜在变量分布的任何先验知识,而且许多真实世界的过程遵循高斯分布[50],我们假设它们在k维空间中遵循多元高斯分布
3) Decoding to Spatio-Temporal Aware Model Parameters:
Efficient Spatio-Temporal Aware Attention
我们建议将大小为H的输入时间序列分解为W = H/S的时间维度小窗口,其中S为窗口大小。
Full Model
在使用注意时,通常将多层注意叠加在一起以提高精度。图显示了完整的模型,它由多个层次的时空感知窗口注意(ST-WA)组成,其中使用了特定位置和时变投影矩阵。
Loss Function and Optimization
实验
Towards Spatio-Temporal Aware Traffic Time Series Forecasting相关推荐
- 【论文精读】Temporal Fusion Transformers for Interpretable Multi-horizon Time Series Forecasting
[论文精读]Temporal Fusion Transformers for Interpretable Multi-horizon Time Series Forecasting 针对未来的一个多步 ...
- ST-Norm: Spatial and Temporal Normalization for Multi-variate Time Series Forecasting(KDD2021)
ST-Norm: Spatial and Temporal Normalization for Multi-variate Time Series Forecasting(KDD2021) 多变量时间 ...
- 论文笔记:Do We Really Need Deep Learning Models for Time Series Forecasting?
Do We Really Need Deep Learning Models for Time Series Forecasting? Elsayed S, Thyssens D, Rashed A, ...
- Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks
Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks 摘要:长期以来,多元时间序列建 ...
- Are Transformers Effective for Time Series Forecasting论文全文翻译
Transformers对时间序列预测有效吗? 摘 要 最近,针对长期时间序列预测(LTSF)任务的基于Transformer的解决方案激增.尽管在过去几年中取得了越来越大的成绩,但我们对这项工作中这 ...
- Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement
Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement 时间序列预测是一项具有重要意义的研究课题 ...
- 愉快的学习就从翻译开始吧_0-Time Series Forecasting with the Long Short-Term Memory Network in Python
The Long Short-Term Memory recurrent neural network has the promise of learning long sequences of ob ...
- 论文阅读:Recurrent Neural Networks for Time Series Forecasting Current Status and Future Directions
typora-copy-images-to: ./ Recurrent Neural Networks for Time Series Forecasting: Current Status and ...
- 时间序列预测分析(2)How to Develop a Skillful Machine Learning Time Series Forecasting Model
文章目录 Process Overview How to Use This Process 1. Define Problem 分析问题 2. Design Test Harness 设计评估工具 常 ...
最新文章
- DefaultListableBeanFactory 对配置lazy-init 属性单态Bean 的预实例化
- 如何使用docker配置深度学习开发环境
- 安装WordPress图解
- react-native学习路线总结
- Django_RBAC_demo2 升级版权限控制组件
- 手把手教你做一个简单的VB数据库程序
- php培训周期,合肥PHP培训周期为什么往往比2个月要长?
- 赵小楼《天道》《遥远的救世主》深度解析(87)股市不是超市,慎入
- 复频域求零输入响应_连续信号与系统的复频域分析()LCH.ppt
- error: OpenCV(4.4.0) C:\Users\appveyor\AppData\Local\Temp\1\pip-req-build-h4wtvo23\opencv\
- 基于PTB数据集实现RNN-LSTM循环神经网络(智能填词)
- 前端canvas画海报
- 销毁一颗二叉树--Destroy(Node* root)
- Ubuntu安装Caffe .build_release/tools/caffe: error while loading shared libraries: libcudart.so.8.0
- 暴强 西游记人物介绍(转载)!!!!
- 一切笔直都是骗人的 —— 2020 年产品沉思录卷首语摘录
- 哪些开源协议可以商用
- NLP自然语言处理系列-音乐推荐系统实战 - 数据处理
- 计算机中运算器介绍,运算器,什么是运算器,运算器介绍--电子百科词库--科通芯城,IC及其他电子元器件交易型电商平台100%正品保证...
- 各种软件下载(网址)
热门文章
- Unity GUI游戏界面
- 吐槽西电python oj 文章检测
- fastadmin采集插件-免费fastadmin采集
- 从两年三次大调整,看滴滴的鲜花和荆棘
- 十进制正整数转16进制
- 在计算机中 wan的中文意思,在计算机网络术语中,WAN的中文含义是()。
- 问题解决:LaTeX biblatex 参考文献出现 [S.l.]: [s.n.]的问题
- RISC-V又一开源SoC-zqh_riscv
- 2013.4.22每日一记
- 物联网设备和应用程序涉及协议的概述