针对任意可修改区域单元的时空预测查询统一模型
机器学习
2024-03-13 v1 人工智能
摘要
时空 (ST) 预测对于在城市基于位置的应用（如网约车共享）中做出明智决策至关重要。然而，现有的 ST 模型通常需要将区域划分作为先决条件，从而导致两个主要缺陷。首先，基于位置的服务需要针对各种目的使用临时区域，这需要具有不同规模和区域的多个 ST 模型，支持成本高昂。其次，不同的 ST 模型可能会产生冲突的输出，导致预测令人困惑。在本文中，我们提出了 One4All-ST，这是一个仅使用一个模型即可对任意可修改区域单元进行 ST 预测的框架。为了降低获取多尺度预测的成本，我们设计了一个具有分层空间建模和尺度归一化模块的 ST 网络，以高效且均衡地学习多尺度表示。为了解决跨尺度的预测不一致问题，我们提出了一种动态规划方案来解决公式化的最优组合问题，并通过理论分析最小化预测误差。此外，我们建议使用扩展四叉树来索引最优组合，以便在实际在线场景中快速响应任意可修改区域单元。在两个真实世界数据集上的大量实验验证了 One4All-ST 在针对任意可修改区域单元进行 ST 预测方面的效率和有效性。本工作的源代码和数据可在 https://github.com/uctb/One4All-ST 获取。
引用
@article{arxiv.2403.07022,
title = {A Unified Model for Spatio-Temporal Prediction Queries with Arbitrary Modifiable Areal Units},
author = {Liyue Chen and Jiangyi Fang and Tengfei Liu and Shaosheng Cao and Leye Wang},
journal= {arXiv preprint arXiv:2403.07022},
year = {2024}
}
备注
Accepted by ICDE 2024