AutoSTF: Decoupled Neural Architecture Search for Cost-Effective Automated Spatio-Temporal Forecasting
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；The Hong Kong University of Science and Technology（香港科技大学）
针对自动化时空预测中神经架构搜索开销高的问题，本文提出解耦框架 AutoSTF，通过时空搜索空间分离、表示压缩、参数共享及多块迁移提升效率与精度。
2025-01-08 cs.AI cs.LG
Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting
Xiamen University（厦门大学）；Griffith University（格里菲斯大学）；University of Technology Sydney（悉尼科技大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
针对现有交通预测时空图建模方法无法捕捉跨时间步异节点关联、忽略动态时空关联的问题，提出时空联合图卷积网络STJGCN，通过构建时空联合图、结合扩张因果卷积与多范围注意力实现多步预测，在5个数据集上优于11种基线方法且计算高效。
2023-06-13 cs.AI cs.LG
Unraveling Spatio-Temporal Foundation Models via the Pipeline Lens: A Comprehensive Review
University of Electronic Science and Technology of China（电子科技大学）；Aalborg University（奥尔堡大学）；Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州））
本文从流水线视角系统综述时空基础模型，提出数据属性分类法以指导模型设计与选择，并梳理预训练、适配及多目标训练等关键环节。
2025-06-02 cs.AI cs.LG
Rethinking Spatio-Temporal Transformer for Traffic Prediction:Multi-level Multi-view Augmented Learning Framework
Heilongjiang University（黑龙江大学）
针对交通预测中复杂的时空相关性问题，提出LVSTformer模型，通过多级多视图空间注意力、门控时间注意力及时空上下文广播模块捕捉依赖关系，在六个基准上实现SOTA性能，最大提升4.32%。
2024-06-17 cs.AI cs.LG
A Survey on Spatio-temporal Data Analytics Systems
Dalhousie University（达尔豪斯大学）；The University of Waikato（怀卡托大学）
由于时空数据量的激增，基于位置的服务和应用的普及，以及从时空数据中提取知识以解决各种现实问题的重要性，在过去十年中，在空间和时空数据分析领域进行了大量的研究和开发工作。现有工作的主要目标是开发算法和技术来捕获，存储，管理，分析和可视化空间或时空数据。研究人员通过在现有系统中增加时空支持，从头开始开发一个新的系统来处理时空数据，或者通过实现挖掘时空数据的算法来做出贡献。现有的空间和时空数据分析生态系统可以分为三类：（1）空间数据库（SQL和NoSQL），（2）大型时空数据处理基础设施，以及（3）用于处理时空数据的程序设计语言和软件工具。由于现有的调查主要调查用于处理空间数据的大数据基础设施，因此本次调查探索了空间和时空分析的整个生态系统，并对大空间数据处理系统进行了最新审查。该调查还描绘了空间和时空数据分析的重要性和未来。
2021-03-17 cs.LG
Decorrelating the Future: Joint Frequency Domain Learning for Spatio-temporal Forecasting
University of Washington（华盛顿大学）；Arizona State University（亚利桑那州立大学）
本文提出FreST损失，通过联合频域学习有效消除时空依赖，提升时空预测性能。
2026-02-13 cs.AI cs.LG stat.ML
Hierarchical Representations for Spatio-Temporal Visual Attention Modeling and Understanding
Universidad Carlos III de Madrid（马德里卡洛斯三世大学）
该博士论文围绕视频中的时空视觉注意力建模，提出层次化表示方法，包括一个上下文感知的生成式概率模型和一个先估计自顶向下时空注意力再用于时间域建模的深度网络架构。
2023-08-09 cs.AI cs.CV cs.LG
Spatio-Temporal Split Learning for Privacy-Preserving Medical Platforms: Case Studies with COVID-19 CT, X-Ray, and Cholesterol Data
Korea University（高丽大学）；Hallym University（翰林大学）；Seoul National University Hospital（首尔国立大学医院）；Dankook University（檀国大学）
机器学习需要大量的样本数据，尤其是在高精度医疗应用中。然而，患者记录是最敏感的私人信息之一，通常不会在机构之间共享。本文介绍了时空分裂学习，一种分布式深度神经网络框架，它是允许隐私敏感组织之间协作的转折点。我们的时空分裂学习展示了如何在最小的隐私问题下有效地进行分布式机器学习。拟议的分割学习由多个客户端和一个集中式服务器组成。每个客户端仅具有一个隐藏层，其充当隐私保护层，并且集中式服务器包括其他隐藏层和输出层。由于集中式服务器不需要访问训练数据，并且使用从隐私保护层接收的参数来训练深度神经网络，因此保证了原始数据的隐私性。我们创造了时空分割学习这个术语，因为多个客户端在空间上分布以覆盖来自不同参与者的不同数据集，我们可以在时间上分割学习过程，将隐私保护层与学习过程的其余部分分离，以最大限度地减少隐私泄露。本文展示了我们如何使用我们提出的多站点时空分割学习算法分析医疗数据，同时确保隐私，用于冠状病毒疾病-19（COVID-19）胸部计算机断层扫描（CT）扫描，粘膜骨骼X射线（MURA）X射线图像和胆固醇水平。
2021-08-20 cs.AI cs.LG eess.IV
Towards Spatio-Temporal Aware Traffic Time Series Forecasting--Full Version
Aalborg University（奥尔堡大学）；Monash University（莫纳什大学）
交通时间序列预测是具有挑战性的，因为来自不同位置的复杂时空动态时间序列通常具有不同的模式;并且对于相同的时间序列，模式可能随时间而变化，例如，在一天中存在显示出更强的时间相关性的某些时段。尽管最近的预测模型，特别是基于深度学习的模型，显示出有希望的结果，但它们受到时空不可知论的影响。这样的时空不可知模型采用共享参数空间，而不管时间序列位置和时间段，并且它们假设时间模式在位置之间是相似的，并且不会在时间上演变，这可能并不总是成立，从而导致次优结果。在这项工作中，我们提出了一个框架，旨在把时空不可知模型时空感知模型。为此，我们将来自不同位置的时间序列编码为随机变量，从中生成特定于位置和随时间变化的模型参数，以更好地捕捉时空动态。我们展示了如何整合的框架与规范的注意，使时空意识的注意。其次，为了补偿时空感知模型参数生成过程中引入的额外开销，提出了一种新的窗口注意机制，将复杂度从二次降低到线性，使得时空感知注意也具有竞争效率.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，其中所提出的时空感知注意力在准确性和效率方面优于最先进的方法。这是“Towards Spatio-Temporal Aware Traffic Time Series Forecasting”的扩展版本，将出现在ICDE 2022 [1]中，包括其他实验结果。
2022-04-05 cs.LG
FasterSTS: A Faster Spatio-Temporal Synchronous Graph Convolutional Networks for Traffic flow Forecasting
Wuhan University of Technology（武汉理工大学）；Zhejiang Sci-Tech University（浙江理工大学）
针对现有交通流预测方法时空建模分离且复杂度高的问题，提出更快速有效的时空同步图卷积网络FasterSTS，以提升预测性能并控制模型复杂度。
2025-01-01 cs.LG
Spatio-Temporal Data Mining: A Survey of Problems and Methods
University of Cincinnati（辛辛那提大学）；University of Minnesota（明尼苏达大学）
在气候科学、社会科学、神经科学、流行病学、交通运输、移动健康和地球科学等不同领域，越来越多地收集和研究大量的时空数据。时空数据不同于关系数据，对于关系数据，计算方法在数据采掘社区中开发了几十年，因为除了实际测量/属性之外，空间和时间属性都是可用的。这些属性的存在带来了需要应对的额外挑战。时空数据挖掘方法在数据采掘领域已经研究了十多年。在这篇文章中，我们提出了一个广泛的调查，这个相对年轻的领域的时空数据采掘。我们讨论了不同类型的时空数据和相关的数据采掘问题，在分析这些数据集的上下文中出现的。基于所研究的数据采掘问题的性质，我们将时空数据采掘的文献分为六大类：聚类、预测学习、变化检测、频繁模式挖掘、异常检测和关系挖掘。我们讨论了各种形式的时空数据采掘的问题，在这些类别。
2017-11-17 cs.AI cs.CV cs.DB
RePST: Language Model Empowered Spatio-Temporal Forecasting via Semantic-Oriented Reprogramming
The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州））；The Hong Kong University of Science and Technology（香港科学与技术大学）；Shandong University（山东大学）；Oxford University（牛津大学）；Beihang University（北航大学）
针对数据稀缺下时空预测难题，提出语义导向重编程框架RePST，利用预训练语言模型，通过分解与离散化提升预测性能，优于十二种基线。
2025-06-23 cs.AI cs.CL cs.LG
Automated Dilated Spatio-Temporal Synchronous Graph Modeling for Traffic Prediction
Beijing National Research Center for Information Science and Technology（北京信息科学与技术国家研究中心）；Tsinghua University（清华大学）；National University of Defense Technology（国防科技大学）；Beijing Jiaotong University（北京交通大学）
由于交通网络的复杂时空相关性，准确的交通预测是智能交通系统中一项具有挑战性的任务。许多现有的作品利用复杂的时间建模方法，结合图卷积网络（GCN）捕捉短期和长期的时空依赖性。然而，这些设计复杂的分离模块限制了时空表示学习的有效性和效率。此外，大多数以前的工作采用固定的图构造方法来表征全局时空关系，这限制了模型对不同时间段甚至不同数据场景的学习能力。为了克服这些限制，我们提出了一个自动扩张的时空同步图网络，名为Auto-DSTSGN的流量预测。具体来说，我们设计了一个自动膨胀时空同步图（Auto-DSTSG）模块，通过以递增的顺序堆叠具有膨胀因子的更深层来捕获短期和长期的时空相关性。此外，我们提出了一个图结构搜索方法，自动构建时空同步图，可以适应不同的数据场景。在四个真实数据集上的大量实验表明，与现有方法相比，我们的模型可以实现约10%的改进。源代码可在https://github.com/jinguangyin/Auto-DSTSGN上获得。
2022-07-22 cs.LG
Spatio-Temporal Graph Scattering Transform
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Mitsubishi Electric Research Laboratories（三菱电机研究实验室）；Shanghai Jiao Tong University（上海交通大学）；University of Southern California（南加州大学）
虽然时空图神经网络在处理多个相关时间序列方面取得了巨大的经验成功，但由于缺乏足够的高质量训练数据，它们在某些现实场景中可能不切实际。此外，时空图神经网络缺乏理论解释。为了解决这些问题，我们提出了一个新的数学设计的框架来分析时空数据。我们提出的时空图散射变换（ST-GST）扩展了传统的散射变换的时空域。它执行时空图小波和非线性激活函数的迭代应用，这可以被视为时空图卷积网络的前向传递而无需训练。由于ST-GST中的所有滤波器系数都是数学设计的，因此它适用于训练数据有限的实际情况，并且还允许理论分析，这表明所提出的ST-GST对输入信号和结构的小扰动是稳定的。最后，我们的实验表明：i）ST-GST优于时空图卷积网络，在MSR 3D数据集上的准确性提高了35%; ii）基于可分离时空图的变换比基于联合时空图的变换更好，计算效率更高; iii）ST-GST中的非线性对经验性能至关重要。
2021-02-09 cs.AI cs.CV cs.LG
Mining Interpretable Spatio-temporal Logic Properties for Spatially Distributed Systems
University of Southern California（南加州大学）；University of Trieste（的里雅斯特大学）
物联网、复杂传感器网络、多智能体网络物理系统都是随时间不断演变的空间分布式系统的例子。这样的系统会产生大量的时空数据，系统设计人员通常对分析和发现数据中的结构感兴趣。一直有相当大的兴趣在学习的因果关系和逻辑属性的时间数据使用逻辑，如信号时序逻辑（STL），但是，有有限的工作，发现这种关系的时空数据。我们提出了第一套时空数据的无监督学习算法。我们的方法做自动特征提取的时空数据投影到参数空间的参数时空到达和逃逸逻辑（PSTREL）。我们提出了一个凝聚层次聚类技术，保证每个集群满足一个不同的STREL公式。我们表明，我们的方法产生STREL公式的有限的描述复杂性，使用一种新的决策树方法，概括了以前的无监督学习技术信号时序逻辑。我们证明了我们的方法的有效性，从不同领域的案例研究，如城市交通，流行病学，绿色基础设施和空气质量监测。
2021-06-16 cs.LG
UniST: A Prompt-Empowered Universal Model for Urban Spatio-Temporal Prediction
Tsinghua University（清华大学）
UniST提出一种受大语言模型启发的通用城市时空预测模型，通过多场景数据预训练和知识引导提示，在超过20个时空场景中取得领先性能，尤其擅长少样本和零样本预测。
2024-07-01 cs.LG
STAEformer: Spatio-Temporal Adaptive Embedding Makes Vanilla Transformer SOTA for Traffic Forecasting
Southern University of Science and Technology（南方科技大学）；The University of Tokyo（东京大学）；University of Technology Sydney（悉尼科技大学）
针对交通预测中捕捉复杂时空模式的难题，本研究提出时空自适应嵌入组件，搭配普通Transformer构建的STAEformer在5个真实数据集上达SOTA，验证了该嵌入在捕捉时空关联与时序信息上的关键作用。
2023-10-08 cs.LG
Spatio-Temporal Graph Convolutional Networks: Optimised Temporal Architecture
University of Oxford（牛津大学）
本研究提出结合CNN与LSTM时间块的时空图卷积网络新架构，通过理论论证和多数据集实验，实证比较了新模型与现有模型的性能。
2025-01-14 cs.LG stat.ML
Initialization Strategies of Spatio-Temporal Convolutional Neural Networks
University of Toronto（多伦多大学）
我们提出了一种新的方法，将视频中的时间信息合并到在图像上训练的空间卷积神经网络（ConvNets）中，避免从头开始训练时空ConvNets。我们使用从ImageNet学习的2D卷积权重描述了时空ConvNet的3D卷积层中的几个权重初始化。我们表明，为了学习视频的时间表示，明智地初始化3D卷积权重是很重要的。我们在UCF-101数据集上评估了我们的方法，并证明了对Spatial ConvNets的改进。
2015-03-25 cs.CV cs.LG
A convolution recurrent autoencoder for spatio-temporal missing data imputation
University of California Irvine（加州大学欧文分校）
当传感器在大的地理区域中收集时空数据时，无法避免缺失数据的存在。缺失数据会对数据分析和机器学习算法的性能产生负面影响。在本文中，我们研究了时空问题中缺失数据填补的深度自动编码器。我们提出了一种卷积双向LSTM，用于捕获空间和时间模式。此外，我们分析了自动编码器的时空数据的潜在特征表示，并说明其性能缺失的数据填补。交通流数据用于评估我们的模型。结果表明，所提出的卷积递归神经网络优于国家的最先进的方法。
2019-04-29 cs.LG stat.ML
The LICORS Cabinet: Nonparametric Algorithms for Spatio-temporal Prediction
Carnegie Mellon University（卡内基梅隆大学）
时空数据本质上是高维的，因此只有在过程中利用结构，无监督建模才是可行的。当动力学在空间和时间上都是局部的时，这种结构可以通过将全局场分裂成许多低维的“光锥”来利用。我们回顾了光锥分解的预测状态重建，介绍了三个简单的光锥算法。这些方法允许对时空数据（诸如全帧视频）进行易处理的推断。该算法对底层过程的假设很少，但具有良好的预测性能，可以提供时空数据的分布，从而实现复杂的概率推理。
2016-09-14 cs.LG stat.ML
ST-UNet: A Spatio-Temporal U-Network for Graph-structured Time Series Modeling
Peking University（北京大学）；Beijing Institute of Big Data Research（北京大数据研究院）
时空图学习正成为图研究的一个重要对象。许多应用领域涉及高度动态的图，其中时间信息是至关重要的，例如交通网络和金融交易图。尽管结构化数据的学习不断取得进展，但仍然缺乏有效的手段来提取时空结构中的动态复杂特征。特别是，传统的模型，如卷积网络或递归神经网络是无法揭示的时间模式，在短期或长期和探索的空间属性在局部或全球范围内的时空图同时。为了解决这个问题，我们设计了一种新的多尺度架构，时空U网（ST-UNet），用于图结构的时间序列建模。在该U型网络中，提出了一种时空域的成对采样操作：池化（ST-Pool）在空间上粗化输入图的确定性划分，同时通过扩张的循环跳跃连接提取多分辨率时间依赖;基于下采样中的先前设置，解池（ST-Unpool）恢复时空图的原始结构并恢复图序列内的规则间隔。时空预测任务的实验表明，我们的模型有效地捕捉多个尺度的综合特征，并在几个真实世界的数据集上实现了对主流方法的实质性改进。
2021-06-15 cs.LG stat.ML
A Spatio-Temporal Spot-Forecasting Framework for Urban Traffic Prediction
Artificial Intelligence Department Universidad Nacional de Educación a Distancia — UNED（西班牙马德里国立远程教育大学（UNED）人工智能系）
时空预测是一个开放的研究领域，其兴趣呈指数增长。在这项工作中，我们专注于为时空交通预测创建一个复杂的深度神经框架，该框架具有相对非常好的性能，并且显示出在几种时空条件下的适应性，同时保持易于理解和解释。我们的建议是基于一个可解释的注意力为基础的神经网络，其中几个模块相结合，以捕捉关键的时空时间序列组件。通过大量的实验，我们展示了我们的方法的结果是如何稳定的，比其他国家的最先进的替代品。
2020-04-01 cs.LG eess.SP stat.ML
Multi-branch Spatio-Temporal Graph Neural Network For Efficient Ice Layer Thickness Prediction
Lehigh University（里海大学）
提出多分支时空图神经网络，结合GraphSAGE和时间卷积，从顶层冰层厚度预测深层厚度，在准确性和效率上优于现有融合模型。
2024-11-06 cs.CV cs.LG
Energy Spatio-Temporal Pattern Prediction for Electric Vehicle Networks
关于电动汽车携带的电能的时空模式的信息，而不是电动汽车本身，对于电动汽车与智能电网建立更有效和智能的交互至关重要。在本文中，我们提出了一个框架来预测的大量电动汽车聚集在不同的城市规模的区域内，基于电能的时空模式存储的电能的量。空间模式通过使用基于神经网络的空间预测器来建模，而时间模式通过使用基于线性链条件随机场（CRF）的时间预测器来捕获。两个预测器分别与空间和时间特征，这是提取的基础上记录在北京的真实轨迹数据。此外，我们结合这两个预测建立的时空预测，通过使用最佳的组合系数，最大限度地减少归一化均方误差（NMSE）的预测。的预测性能进行评估的基础上广泛的实验，包括空间和时间的预测，并实现了改进的组合时空预测。实验结果表明，该时空预测器的NMSE在北京所有调查区域均保持在0.1以下。我们进一步可视化的预测和讨论的潜在好处可以带来智能电网调度和电动汽车充电，利用所提出的框架。
2018-02-14 cs.LG eess.SP
Learning Localized Spatio-Temporal Models From Streaming Data
Uppsala University（乌普萨拉大学）
我们解决的问题，预测时空过程的时间模式，不同的空间区域，当数据作为流获得。也就是说，当训练数据集按顺序增加时。具体来说，我们开发了一个本地化的时空协方差模型的过程中，可以捕捉空间变化的时间周期性的数据。然后，我们应用协方差拟合方法来学习模型参数，从而产生一个预测器，该预测器可以随每个新数据点顺序更新。所提出的方法进行评估，使用合成和真实的气候数据，证明其能够准确地预测数据丢失的空间区域随着时间的推移。
2018-06-22 cs.LG stat.ML
Efficient Partitioning Method of Large-Scale Public Safety Spatio-Temporal Data based on Information Loss Constraints
Beijing Key Laboratory of Intelligent Communication Software（智能通信软件重点实验室）；Multimedia, School of Computer Science (National Pilot Software Engineering School), Beijing University of Posts（多媒体，计算机科学学院（国家试点软件工程学院），北京邮电大学）；School of Economics and Management, Beijing University of Posts（经济管理学院，北京邮电大学）
针对大规模公共安全时空数据，提出IFL-LSTP划分方法，结合时空划分模块和图划分模块，在信息损失约束下缩减数据规模，经实验验证该方法能缩短训练时间、保持时空邻近性并提升负载均衡效果。
2026-07-10 cs.IR cs.LG
Generative Adversarial Networks for Spatio-temporal Data: A Survey
RMIT University（皇家墨尔本理工大学）
生成对抗网络（GANs）在计算机视觉领域产生逼真图像方面取得了显着的成功。最近，基于GAN的技术被证明在基于时空的应用中很有前途，例如轨迹预测、事件生成和时间序列数据插补。虽然计算机视觉中的GANs已经提出了一些评论，但没有人考虑解决与时空数据相关的实际应用和挑战。在本文中，我们已经进行了一个全面的审查的时空数据的GANs的最新发展。我们总结了流行的时空数据GAN架构的应用和使用GANs评估时空应用程序性能的常见做法。最后，我们指出了未来的研究方向，以造福研究人员在这一领域。
2021-07-30 cs.IR cs.LG eess.IV
STACI: Spatio-Temporal Aleatoric Conformal Inference
North Carolina State University（北卡罗来纳州立大学）；Brookhaven National Laboratory（布鲁赫斯国家实验室）；University of the Basque Country（巴斯克大学）
STACI提出变分贝叶斯神经网络近似非平稳时空高斯过程，结合新颖时空共形推断，实现可扩展且统计有效的预测区间，优于现有方法并支持百万级数据。
2025-10-23 cs.LG stat.ME stat.ML
Spatio-Temporal Functional Neural Networks
Penn State University（宾夕法尼亚州立大学）；Hitachi America, Ltd.（日立美国有限公司）
时空数据的爆炸式增长及其广泛的应用引起了统计和机器学习领域研究人员的极大兴趣。时空回归问题无论从方法论发展还是实际应用的角度来看都是至关重要的。给定所观察到的空间编码的时间序列协变量和实值响应数据样本，时空回归的目标是利用时间和空间依赖性来构建从协变量到响应的映射，以最小化预测误差。现有技术，包括卷积长短期记忆（CovLSTM）和函数线性模型的变体，不能以简单和有效的格式学习时空信息以进行适当的模型构建。在这项工作中，我们提出了两个新的扩展功能神经网络（FNN），时间回归模型的有效性和优越的性能超过替代顺序模型已被许多研究人员证明。在全面的仿真研究中证明了所提出的时空FNN在处理不同的空间相关性的有效性。提出的模型，然后部署到解决一个实际的和具有挑战性的降水预测问题在气象领域。
2020-09-11 cs.LG stat.ML
A Unified Replay-based Continuous Learning Framework for Spatio-Temporal Prediction on Streaming Data
Aalborg University（奥尔堡大学）；East China Normal University（华东师范大学）；University of Electronic Science and Technology of China（电子科技大学）；Huawei Cloud Database Innovation Lab（华为云数据库创新实验室）
针对流数据时空预测中的灾难性遗忘问题，提出基于重放的统一持续学习框架，通过时空混合机制融合历史样本，并结合时空自编码器与STSimSiam网络及数据增强方法，有效保留历史知识并确保预测准确性。
2024-04-23 cs.DB cs.LG
Multivariate Spatio-Temporal Neural Hawkes Processes
本文提出了一种多变量时空神经Hawkes过程，用于建模具有时空动态的复杂事件数据，通过整合空间信息和学习衰减动态，提升了对激发和抑制机制的建模能力，并在恐怖主义数据中验证了其有效性。
2026-03-02 cs.LG math.ST stat.AP
A deep learning approach to real-time parking occupancy prediction in spatio-temporal networks incorporating multiple spatio-temporal data sources
Carnegie Mellon University（卡内基梅隆大学）
应用深度学习模型来实时的预测街区级停车占用率。该模型利用图-卷积神经网络（GCNN）提取大规模网络中交通流的空间关系，利用具有长短期记忆（LSTM）的递归神经网络（RNN）提取时间特征。此外，该模型能够将多个异构结构的交通数据源作为输入，例如停车计时器交易、交通速度和天气状况。通过匹兹堡市中心的案例研究，模型的性能进行了评估。在提前30分钟预测街区级停车占用率时，该模型的平均测试MAPE为10.6%，优于多层LSTM和Lasso等其他基线方法。案例研究还表明，在一般情况下，预测模型的工作更好地为商业区比休闲场所。我们发现，将交通速度和天气信息可以显着提高预测性能。天气数据对于提高娱乐区的预测准确性特别有用。
2019-05-11 cs.LG stat.ML
A Novel Framework for Spatio-Temporal Prediction of Environmental Data Using Deep Learning
University of Lausanne（洛桑大学）；Swiss Re（瑞士再保险）
随着统计和计算科学在气候和环境建模和预测中发挥的作用变得越来越重要，机器学习研究人员越来越意识到他们的工作与帮助应对气候危机的相关性。事实上，作为通用的非线性函数逼近工具，机器学习算法在分析和建模空间和时间可变的环境数据方面是有效的。虽然深度学习模型已被证明能够通过其自动特征表示学习来捕获空间、时间和时空依赖性，但在空间中的一组不规则点上测量的连续时空场的插值问题仍有待研究。为了填补这一空白，我们在这里介绍了一个使用深度学习进行气候和环境数据时空预测的框架。具体而言，我们展示了如何时空过程可以分解的时间参考基函数的产品的总和，和随机空间系数，可以在空间上建模和映射到一个规则的网格，允许重建完整的时空信号。基于模拟和真实世界数据的两个案例研究的应用程序将显示所提出的框架在建模相干时空场的有效性。
2020-12-22 cs.LG physics.ao-ph physics.data-an
Structural-RNN: Deep Learning on Spatio-Temporal Graphs
Cornell University（康奈尔大学）；Stanford University（斯坦福大学）；Brain Of Things Inc.（Brain Of Things公司）
深度递归神经网络架构虽然在序列建模方面能力非常强，但缺乏直观的高级时空结构。也就是说，虽然计算机视觉中的许多问题本质上都有一个底层的高级结构，并可以从中受益。时空图是一种流行的工具，可以在现实世界的问题中实现这种高级直觉。在本文中，我们提出了一种结合高级时空图的能力和递归神经网络（RNNs）的序列学习成功的方法。我们开发了一种可扩展的方法，用于将任意时空图转换为丰富的RNN混合物，该混合物是前馈的，完全可微的，并且是可联合训练的。所提出的方法是通用的和原则性的，因为它可以用于通过采用一定的一组定义良好的步骤来转换任何时空图。所提出的方法对一组不同的问题，从人体运动建模对象的相互作用的评估，显示出改善了国家的最先进的大幅度。我们希望这种方法能够通过高级时空图和递归神经网络来实现问题制定的新方法。
2016-04-11 cs.CV cs.LG cs.NE
Mixed moving average field guided learning for spatio-temporal data
TU Chemnitz（开姆尼茨工业大学）；Ulm University（乌尔姆大学）；Imperial College（帝国理工学院）
本文针对混合移动平均场预测分布未知的问题，提出一种时空嵌入与广义贝叶斯算法相结合的理论引导机器学习方法，并给出PAC贝叶斯界，在时空Ornstein-Uhlenbeck模拟数据上验证了其因果预测性能。
2024-08-02 cs.LG math.ST stat.ML
