Field Validation of a Multi-Resolution ConvLSTM Framework for Retaining Wall Deformation Prediction
Department of Civil and Environmental Engineering, Hongik University(Hongik大学土木与环境工程系)
本研究通过现场数据验证了基于多分辨率卷积长短期记忆网络(ConvLSTM)的堆叠集成框架,该框架仅用数值模拟数据训练,能有效预测基坑开挖中挡土墙变形,平均绝对误差1.4 mm,决定系数0.93。
2026-06-08 cs.LG
Enhancing Spatiotemporal Networks with xLSTM: A Scalar LSTM Approach for Cellular Traffic Forecasting
Deggendorf Institute of Technology(德格多夫技术学院)
本文提出结合 sLSTM 与三层 Conv3D 的轻量级双路径时空网络,用于蜂窝流量预测,在真实数据集上较 ConvLSTM 降低 23% MAE,并提升 30% 泛化能力。
2025-07-17 cs.AI cs.LG
Spatiotemporal deep learning model for citywide air pollution interpolation and prediction
Seoul National University(首尔国立大学)
最近,空气污染是大城市最关心的问题之一。预测任何地区和任何时间的空气质量是城市居民的关键要求。然而,整个城市的空气污染预测是一个具有挑战性的问题。原因是,有许多时空因素影响整个城市的空气污染。收集尽可能多的数据可以帮助我们更好地预测空气污染。在这项研究中,我们提出了许多时空数据集收集在韩国首尔市,这是目前深受空气污染问题。这些数据集包括空气污染数据、气象数据、交通量、平均行驶速度和已知影响首尔空气污染的外部地区的空气污染指数。据我们所知,交通量和平均行驶速度数据是空气污染研究中的两个新数据集。此外,最近的空气污染研究试图建立模型来插值和预测城市的空气污染。尽管如此,他们大多专注于预测离散位置的空气质量或使用手工制作的空间和时间特征。在本文中,我们提出了使用卷积长短期记忆(ConvLSTM)模型\cite{b16},卷积神经网络和长短期记忆的组合,它自动操作的空间和时间的数据特征。特别是,我们介绍了如何将空气污染数据转化为图像序列,利用ConvLSTM模型来插值和预测整个城市的空气质量。我们证明我们的方法适合时空空气污染问题,并且优于其他相关研究。
2019-11-29 cs.LG eess.SP stat.ML
Self-Supervised ConvLSTM for Fermi Large Area Telescope Transient Detection
Idea-RE
本文提出了一种结合端到端模拟和自监督时空深度学习的方法,用于在受控环境中检测费米- LAT中的瞬变伽马射线现象,通过生成一个十年合成宇宙并利用ConvLSTM网络来建模天空的典型演变,以检测异常。
2026-05-21 astro-ph.HE astro-ph.IM cs.LG
Spatio-temporal DeepKriging in PyTorch: A Supplementary Application to Precipitation Data for Interpolation and Probabilistic Forecasting
School of Mathematics and Applied Statistics, University of Wollongong, Australia(数学与应用统计学系,沃林戈恩大学,澳大利亚)
本文基于PyTorch平台实现时空深度克里金(STDK)框架,用于欧洲降水数据的插值与多步预测,并提供可复现代码模块,验证了该方法在处理时空不规则性时的预测性能与鲁棒性。
2025-09-16 cs.LG stat.AP
SPTTE: A Spatiotemporal Probabilistic Framework for Travel Time Estimation
Beijing University of Posts and Telecommunications(北京邮电大学);McGill University(麦吉尔大学)
针对多行程旅行时间分布时间变异性建模的挑战及数据稀疏不均问题,提出SPTTE时空概率框架,将任务转化为带碎片化观测的时空随机过程回归问题,在真实数据集上性能提升超10.13%。
2024-11-27 cs.LG
Exploring the impact of spatiotemporal granularity on the demand prediction of dynamic ride-hailing
Nagoya University(名古屋大学);Didi Chuxing(滴滴出行);Dalian University of Technology(大连理工大学)
动态需求预测是网约车调度的关键问题。已经开发了许多方法来提高需求预测的准确性,以适应需求,乘车运输服务的增加。然而,由于多尺度时空粒度,以及由此产生的统计误差,在预测乘车需求的不确定性,很少探索。本文试图填补这一空白,并使用中国成都的实证数据来检验时空粒度对乘车需求预测准确性的影响。提出了一种结合六角卷积运算的卷积长短期记忆模型(H-ConvLSTM)来探索复杂的空间和时间关系。实验分析结果表明,该方法在预测精度方面优于传统方法。36个时空粒度与出发需求和到达需求的比较表明,一个六边形的空间分区与800米的边长和30分钟的时间间隔的组合实现了最好的综合预测精度。然而,出发需求和到达需求揭示了不同的时空粒度的预测误差的不同变化趋势。
2022-03-19 cs.LG
Dynamical system prediction from sparse observations using deep neural networks with Voronoi tessellation and physics constraint
University of Nottingham(诺丁汉大学);Queensland University of Technology(昆士兰科技大学);École des Ponts(巴黎路桥学院);EDF R&D(法国电力公司研发中心)
本文提出DSOVT框架,将Voronoi剖分与CED-LSTM和ConvLSTM结合,并融入物理约束,从稀疏时变观测中高效准确地预测动力系统。
2024-08-31 cs.LG
Investigating the Spatiotemporal Charging Demand and Travel Behavior of Electric Vehicles Using GPS Data: A Machine Learning Approach
University of Central Florida(中佛罗里达大学)
电动汽车(EV)的日益增长的市场渗透可能改变驾驶员的出行行为,并且对电力系统提出显著的电力需求。由于电力需求取决于电动汽车的出行行为,而电动汽车的出行行为具有内在的不确定性,因此每日充电需求(CD)的预测将是一项具有挑战性的任务。在本文中,我们使用记录的GPS数据的电动汽车和传统的汽油动力车辆从同一个城市调查的潜在转变的驾驶员的出行行为,从传统车辆到电动汽车和预测的时空模式的日常CD。我们的分析表明,电动汽车和传统汽车的出行行为是相似的。此外,预测结果表明,所开发的模型可以生成准确的时空格局的每日CD。
2022-02-28 cs.LG cs.SY eess.SY
An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions
University of Notre Dame(圣母大学)
在这篇研究论文中,我们研究了人工神经网络模型的能力,以模拟风暴潮的风暴路径/大小/强度的历史的基础上,利用数据库的合成风暴模拟。传统上,采用计算流体动力学求解器来数值求解偏微分方程的风暴潮控制方程,并且通常模拟成本非常高。本研究提出了一个神经网络模型,可以预测风暴潮,由数据库的合成风暴模拟通知。该模型可以作为非常昂贵的CFD求解器的快速且经济的仿真器。神经网络模型使用用于驱动CFD求解器的风暴路径参数进行训练,并且模型的输出是在感兴趣的空间域内跨多个节点的预测风暴潮的时间序列演变。一旦模型经过训练,就可以根据新的风暴路径输入进行进一步的预测。所开发的神经网络模型是一个时间序列模型,一个长短期记忆,一个变种的递归神经网络,其中丰富了卷积神经网络。采用卷积神经网络来捕捉数据的空间相关性。因此,数据的时间和空间相关性通过上述模型的组合,即ConvLSTM模型来捕获。由于该问题是一个序列到序列的时间序列问题,因此设计了一个编码器-解码器ConvLSTM模型。在模型训练过程中还采用了其他一些技术来丰富模型的性能。结果表明,所提出的卷积循环神经网络优于高斯过程实现检查合成风暴数据库。
2022-04-18 cs.AI cs.CE cs.LG
Spatio-Temporal Dual Graph Neural Networks for Travel Time Estimation
College of Systems Engineering, National University of Defense Technology(国防科技大学系统工程学院)
针对出行时间估计中道路与交叉口特征耦合问题,提出时空双图神经网络STDGNN,通过双图学习与多任务估计,在真实数据上显著优于现有方法。
2021-07-22 cs.AI cs.LG
Physics-guided spatiotemporal neural models for fuel density prediction
San Diego Supercomputer Center University of California, San Diego(圣地亚哥超级计算机中心 加州大学圣地亚哥分校)
研究针对燃料密度预测,提出物理引导机器学习框架,集成物理约束与领域知识到深度学习模型。探索三种架构建模,在损失函数中纳入物理信息项,实验表明该框架在准确性和稳定性上优于纯数据驱动基线,能实现高效火灾预测支持管理。
2026-07-09 cs.AI cs.LG
Convolutional Spiking Neural Networks for Spatio-Temporal Feature Extraction
Amirkabir University of Technology(阿米卡比尔理工大学);Chalmers University of Technology(查尔姆斯理工大学)
脉冲神经网络(SNN)由于其基于事件的性质而可以用于低功耗和嵌入式系统(例如新兴的神经形态芯片)中。此外,与传统的人工神经网络(ANN)相比,它们具有计算成本低的优点,同时保留了ANN的属性。然而,卷积脉冲神经网络和其他类型的SNN的层中的时间编码还有待研究。在本文中,我们提供了深入了解时空特征提取的卷积SNN的实验设计,利用这一属性。浅层卷积SNN的性能优于最先进的时空特征提取器方法,例如C3 D、ConvLstm和类似网络。此外,我们提出了一种新的深度尖峰架构来解决现实世界的问题(特别是分类任务),与NMNIST(99.6%),DVS-CIFAR 10(69.2%)和DVS-Gesture(96.7%)以及UCF-101(42.1%)和HMDB-51(21.5%)数据集上的ANN方法相比,该架构具有更好的性能。还值得注意的是,训练过程是基于本文中解释的时空反向传播的变化来实现的。
2021-01-18 cs.CV cs.LG
Uncertainty Quantification of Spatiotemporal Travel Demand with Probabilistic Graph Neural Networks
Massachusetts Institute of Technology(麻省理工学院);University of Florida(佛罗里达大学);Northeastern University(东北大学)
本文提出概率图神经网络框架Prob-GNN,用于量化出行需求时空不确定性,并在芝加哥公交与拼车数据上验证其在疫情前后领域偏移下的稳定预测能力。
2024-02-22 cs.LG stat.AP stat.ML
DeepIST: Deep Image-based Spatio-Temporal Network for Travel Time Estimation
The Pennsylvania State University(宾夕法尼亚州立大学)
对给定路径的行程时间进行估计是许多城市交通系统中的基本问题。然而,现有的工作不能很好地捕捉嵌入在路径中的移动行为,因此不能准确地估计旅行时间。为了填补这一空白,在这项工作中,我们提出了一种新的神经网络框架,即{ \em Deep Image-based Spatio-Temporal network(DeepIST)},用于给定路径的旅行时间估计。DeepIST的新颖性在于以下几个方面:1)我们提出将路径绘制为“广义图像”序列,其包括子路径以及附加信息,诸如交通状况,2)设计了一种新的二维卷积神经网络{ \em PathCNN},通过正则化和多池化方法提取图像中线条的空间模式;以及3)我们应用一维CNN来捕获沿着用于估计的路径的空间模式中的时间模式。实证结果表明,DeepIST在多个大规模真实世界数据集中的平均绝对误差(MAE)为24.37%至25.64%,优于最先进的旅行时间估计模型。
2019-09-05 cs.CV cs.LG stat.ML
STAD: Spatio-Temporal Adjustment of Traffic-Oblivious Travel-Time Estimation
Qatar Computation Research Institute(卡塔尔计算研究所);HBKU(哈马德·本·哈利法大学)
行程时间估计是现代交通应用中的重要组成部分。用于行程时间估计的现有技术使用GPS轨迹来学习道路网络的权重,通常建模为有向图,然后应用Dijkstra算法来找到最短路径。为了实现时间依赖性,现有系统计算多个加权图,对应于不同的时间窗口。这些图通常在部署到生产路由引擎之前进行离线优化,导致严重的工程开销。在本文中,我们介绍了STAD,这是一个系统,可以动态调整以出发地、目的地和出发时间形式表示的任何旅行请求的旅行时间估计。STAD使用机器学习和稀疏行程数据来学习任何基本路由引擎的缺陷,然后将其转变为一个成熟的时间依赖系统,能够根据城市的实际交通状况调整行程时间。STAD通过将空间特征(例如出发地和目的地地理区域)与时间特征(例如出发时间和日期)相结合来利用交通的时空属性,以显著改善基本路由引擎的旅行时间估计。在多哈、纽约和波尔图的真实旅行数据集上进行的实验表明,前两个城市的中位绝对误差减少了14%,后两个城市减少了29%。我们还表明,STAD在所有三个城市中的表现优于不同的商业和研究基线。
2020-06-08 cs.LG physics.soc-ph stat.ML
DeepVideoMVS: Multi-View Stereo on Video with Recurrent Spatio-Temporal Fusion
ETH Zurich(苏黎世联邦理工学院);Microsoft Mixed Reality & AI Zurich Lab(微软苏黎世混合现实与人工智能实验室)
我们提出了一个在线的多视角深度预测方法对构成的视频流,在以前的时间步计算的场景几何信息传播到当前的时间步中的一个有效的和几何合理的方式。我们的方法的骨干是一个实时的,轻量级的编码器-解码器,依赖于从成对的图像计算的成本量。我们通过在瓶颈层放置一个ConvLSTM单元来扩展它,它在其状态中压缩了任意数量的过去信息。新颖之处在于通过考虑时间步长之间的视点变化来传播细胞的隐藏状态。在给定的时间步,我们使用先前的深度预测将先前的隐藏状态扭曲到当前相机平面。我们的扩展只带来了很小的计算时间和内存消耗的开销,同时显着提高了深度预测。因此,我们优于现有的国家的最先进的多视图立体视觉方法在数百个室内场景的大多数评估指标,同时保持实时性能。可用代码:https://github.com/ardaduz/deep-video-mvs
2021-07-21 cs.CV cs.LG
Attention-Guided Deep Adversarial Temporal Subspace Clustering (A-DATSC) Model for multivariate spatiotemporal data
University of Maryland, Baltimore County(马里兰大学巴尔的摩县)
针对多变量四维时空数据的复杂依赖与现有深度子空间聚类局限,提出结合 U-Net 式 ConvLSTM 生成器、判别器及图注意力 transformer 自表达网络的 A-DATSC,并在三个真实数据集上验证其优越性能。
2025-10-20 cs.LG
Real Time Headway Predictions in Urban Rail Systems and Implications for Service Control: A Deep Learning Approach
本文提出以ConvLSTM为核心的深度学习框架,融合历史与计划终点站车头时距预测全线时空传播,支持实时评估调度策略并提升服务一致性。
2025-10-03 cs.LG
DeepVisualInsight: Time-Travelling Visualization for Spatio-Temporal Causality of Deep Classification Training
School of Computing, National University of Singapore(新加坡国立大学计算机学院);Key Lab of High-Confidence Software Technology, MoE (Peking University)(高可信软件技术教育部重点实验室(北京大学))
了解深度学习模型的预测在训练过程中是如何形成的,对于提高模型性能和修复模型缺陷至关重要,特别是当我们需要研究诸如主动学习等非平凡训练策略,并跟踪诸如性能退化等意外训练结果的根本原因时。在这项工作中,我们提出了一个时间旅行视觉解决方案DeepVisualInsight(DVI),旨在在训练深度学习图像分类器的同时体现时空因果关系。时空因果关系演示了梯度下降算法和各种训练数据采样技术如何影响和重塑学习输入表示的布局和连续时期中的分类边界。这种因果关系使我们能够在可见的低维空间中观察和分析整个学习过程。从技术上讲,我们提出了四个空间和时间属性,并设计了我们的可视化解决方案,以满足他们。当在可见的低维空间和不可见的高维空间之间逆投影输入样本时,这些属性保留了最重要的信息,用于因果分析。我们广泛的实验表明,与基线方法相比,我们实现了最好的可视化性能的空间/时间属性和可视化效率。此外,我们的案例研究表明,我们的可视化解决方案可以很好地反映各种训练场景的特点,显示了良好的潜力,DVI作为一个调试工具,分析深度学习训练过程。
2021-12-31 cs.AI cs.CV cs.LG
Geo-Adaptive Deep Spatio-Temporal predictive modeling for human mobility
University at Buffalo(布法罗大学)
用于时空预测问题(例如人群流预测)的深度学习方法假设数据具有固定且规则形状的张量,并且面临处理不规则的稀疏数据张量的挑战。这在用例场景中造成了限制,例如使用地理区域的光栅/图像格式表示来以特定的时间分辨率预测给定空间区域的个人的访问计数,因为个人的移动模式可能在很大程度上被限制并定位到光栅的某个部分。此外,目前解决这一问题的深度学习方法在对个人的时空运动模式进行建模时,没有考虑到对一个地区的地理意识。为了解决这些限制,有必要开发一种新的策略和建模方法,可以处理稀疏的,不规则的数据,同时将地理感知的模型。在本文中,我们使用四叉树作为表示图像的数据结构,并引入了一个新的支持地理感知的深度学习层GA-ConvLSTM,它基于一个基于四叉树数据结构的新地理感知模块执行卷积运算,以合并空间依赖性,同时保持用于解释时间依赖性的递归机制。我们在预测个体空间行为问题的背景下提出了这种方法(例如,通过基于深度学习的预测模型GADST-Predict。两个基于GPS的跟踪数据的实验结果表明,该方法是有效的,在处理频率访问不同的用例具有相当高的精度。
2022-11-27 cs.CV cs.LG
TrajCogn: Leveraging LLMs for Cognizing Movement Patterns and Travel Purposes from Trajectories
Beijing Jiaotong University(北京交通大学);Aalborg University(奥尔堡大学);Carnegie Mellon University(卡内基梅隆大学);East China Normal University(华东师范大学)
TrajCogn通过引入轨迹语义嵌入器和轨迹提示,使大语言模型能够提取轨迹中的移动模式与出行目的,从而实现高精度的通用轨迹学习。
2024-08-09 cs.LG
Hybrid Spatio-Temporal Graph Convolutional Network: Improving Traffic Prediction with Navigation Data
Alibaba Group(阿里巴巴集团)
本文提出混合时空图卷积网络H-STGCN,通过从在线导航引擎获取即将到来的交通量并将其转换为等效行程时间,结合图卷积捕获空间依赖性,显著提升了交通预测精度,尤其在非周期性拥堵预测上表现优异。
2020-06-23 cs.LG stat.ML
FairST: Equitable Spatial and Temporal Demand Prediction for New Mobility Systems
University of Washington(华盛顿大学)
新兴的交通模式,包括汽车共享,自行车共享和乘车,正在改变城市交通,但已被证明会加剧社会经济不平等。因此,这些新的流动性制度的时空需求预测模型必须考虑公平作为一个一流的设计要求。我们提出了FairST,一个公平意识模型,用于预测新的移动系统的需求。我们的方法利用1D,2D和3D卷积来整合各种城市特征并学习移动系统的时空动态,但我们将公平性指标作为一种正则化形式,以使预测在人口群体中更加公平。我们提出了两个新的时空公平性度量,基于区域的公平性差距(RFG)和基于个人的公平性差距(IFG)。两者都量化了时空背景下的公平性,但因人口统计数据是否在区域一级(RFG)或人口分布信息是否可用(IFG)而有所不同。在真实的自行车共享和乘车共享数据集上的实验结果证明了所提出的模型的有效性:FairST不仅将公平性差距减少了80%以上,而且可以令人惊讶地实现比最先进的公平性遗忘方法(包括LSTM,ConvLSTM和3D CNN)更好的准确性。
2019-06-21 cs.AI cs.CY cs.LG
Context-Conditioned Spatio-Temporal Predictive Learning for Reliable V2V Channel Prediction
针对动态环境下的4D V2V信道预测难题,提出基于CA-ConvLSTM与上下文条件注意力的时空预测方法,并引入自适应元学习减少累积误差,在跨几何配置下显著提升预测性能。
2024-09-23 cs.LG cs.NI cs.SY
A Predictive and Optimization Approach for Enhanced Urban Mobility Using Spatiotemporal Data
针对城市交通管理难题,本研究结合机器学习与实时交通数据,用纽约出租车数据构建预测模型,借助时空分析、GraphHopper API及Spark相关工具实现实时路径优化,显著提升出行预测与路径规划效果,为城市缓堵提效提供数据驱动方案。
2024-10-07 cs.LG
History Matching for Geological Carbon Storage using Data-Space Inversion with Spatio-Temporal Data Parameterization
Stanford University(斯坦福大学)
针对地质碳封存的历史拟合问题,提出结合AAE降维与convLSTM的深度学习参数化DSI方法,搭配ESMDA与局部网格细化,可高效实现多情景下后验场的不确定性显著降低。
2023-10-05 cs.LG
BiDepth: A Bidirectional-Depth Neural Network for Spatio-Temporal Prediction
University of Arizona(亚利桑那大学);Chinese Academy of Sciences(中国科学院)
本文提出BiDepth多模态神经网络(BDMNN),通过双向深度调制机制和卷积自注意力单元(CSAC)同时捕捉时空长期趋势与短期波动并保留空间关系,在交通和降水预测任务上显著超越ConvLSTM等基准。
2025-07-13 cs.AI cs.CV cs.LG
Travel time prediction for congested freeways with a dynamic linear model
École Polytechnique Fédérale de Lausanne (EPFL)(洛桑联邦理工学院)
行程时间的准确预测是支持智能交通系统(ITS)的一个重要特征。然而,交通状态的非线性使得这种预测成为一项具有挑战性的任务。在这里,我们建议使用动态线性模型(DLMs)来近似的非线性交通状态。与静态线性回归模型不同,DLM假设其参数随时间变化。我们设计了一个DLM模型,在每个时间单元定义的模型参数来描述时间序列交通数据的时空特性。基于我们的DLM和它的模型参数分析训练使用历史数据,我们建议一个最佳的线性预测在最小均方误差(MMSE)的意义。我们比较我们的预测精度的高速公路在加利福尼亚州(I210-E和I5-S)高度拥挤的交通条件下的行程时间与其他方法:瞬时行程时间,k-最近邻,支持向量回归,人工神经网络。我们显示出显着的改善的准确性,特别是短期预测。
2020-09-02 cs.LG eess.SP stat.ML
Regional climate projections using a deep-learning-based model-ranking and downscaling framework: Application to European climate zones
KTH Royal Institute of Technology(瑞典皇家理工学院)
本研究提出基于深度学习排序与降尺度的框架,用于欧洲气候区的高分辨率气候预测,验证了多标准排序和Transformer方法优于传统方法。
2025-02-28 cs.LG cs.NA math.NA
STRelay: A Universal Spatio-Temporal Relaying Framework for Location Prediction over Human Trajectory Data
State Key Laboratory of Internet of Things for Smart City and Department of Computer and Information Science, University of Macau(物联网智能城市国家重点实验室和计算机与信息科学系,澳门大学);Beijing Normal University-Hong Kong Baptist University United International College(北京师范大学-香港 Baptist大学联合国际学院)
STRelay通过建模未来时空上下文提升位置预测性能,适用于多种轨迹数据集,提升幅度达2.49%-11.30%。
2025-12-30 cs.AI cs.LG
Spatiotemporal downscaling and nowcasting of urban land surface temperatures with deep neural networks
Department of Geoscience and Remote Sensing(地质科学与遥感系);Delft University of Technology(代尔夫特理工大学);School of Engineering and Computer Science(工程与计算机科学学院);Bern University of Applied Sciences(伯恩应用科学大学)
本文提出利用深度神经网络结合静止和极轨卫星数据,实现高时空分辨率的城市地表温度场估计与现在预报,提升城市气候与生态研究的精度与时效性。
2026-06-18 cs.LG
Generalising Travel Time Prediction To Varying Route Choices In Urban Networks
Jagiellonian University(雅盖隆大学)
本文提出GenTTP模型,通过区分路线选择实现准确的流量和旅行时间预测,解决现有模型无法适应不同路线分配导致网络结果差异的问题。
2026-05-07 cs.LG cs.MA
Trajectory Representation Learning on Road Networks and Grids with Spatio-Temporal Dynamics
L3S Research Center(L3S研究中心);Leibniz University Hannover(汉诺威莱布尼茨大学)
本文提出TIGR模型,融合网格与道路网络两种模态并引入时空动态,学习通用轨迹表示,在轨迹相似度、行程时间估计和目的地预测任务上显著超越现有方法。
2025-01-02 cs.AI cs.LG
Deep Learning Methods for Daily Wildfire Danger Forecasting
National Observatory of Athens(雅典国家天文台);Universitat de València(瓦伦西亚大学);Max Planck Institute for Biogeochemistry(马克斯·普朗克生物地球化学研究所)
野火预测对于减少灾害风险和环境可持续性至关重要。我们将日常火灾危险预测作为一项机器学习任务,使用过去十年的历史地球观测数据来预测第二天的火灾危险。为此,我们收集,预处理和协调一个开放访问的数据立方体,具有一组共同影响火灾发生和蔓延的协变量,如天气条件,卫星衍生产品,地形特征和与人类活动有关的变量。我们实现了各种深度学习(DL)模型来捕获空间、时间或时空上下文,并将它们与随机森林(RF)基线进行比较。我们发现,无论是空间还是时间上下文都足以超过RF,而利用时空上下文的ConvLSTM在接收器操作特性下的测试面积为0.926时表现最好。我们基于DL的概念验证提供了比现有运营解决方案高得多的空间分辨率的全国范围的每日火灾危险地图。
2021-11-04 cs.AI cs.CV cs.LG
Pre-training General Trajectory Embeddings with Maximum Multi-view Entropy Coding
Beijing Jiaotong University(北京交通大学);Aalborg University(奥尔堡大学)
提出最大多视角轨迹熵编码(MMTEC)预训练方法,通过减少偏差的前置任务及双编码器,学习通用轨迹嵌入,在真实数据集上超越现有方法。
2023-12-26 cs.CV cs.LG
Spatio-temporal Prediction of Fine-Grained Origin-Destination Matrices with Applications in Ridesharing
Shanghai University of Finance and Economics(上海财经大学);University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校)
本文提出OD-CED模型,通过无监督空间粗化技术和编码器-解码器架构解决细粒度起讫点需求预测问题,在稀疏度超90%的OD矩阵上显著优于传统方法。
2025-03-31 cs.AI cs.LG stat.ML