AdaSTI：基于自适应依赖建模的条件扩散模型用于时空插值
机器学习
2025-09-24 v1 人工智能
摘要
时空数据丰富于交通和环境监控等领域，但常因传感器故障、传输故障等原因出现缺失值。近年来，持续努力提高时空数据插值的性能。最近，扩散模型在各种任务中超过了其他方法，包括时空插值，显示出具竞争力的性能。从条件信息中提取并利用时空依赖关系对于扩散方法至关重要。然而，先前的方法在此过程中引入误差累积，忽略了在噪声数据中不同扩散步骤中依赖关系的可变性。本文提出了AdaSTI（基于条件扩散模型的自适应依赖模型时空插值），一种新的时空插值方法。AdaSTI中，我们提出了基于双向S4模型的BiS4PI网络，用于预插值，所得插值结果用于通过设计的时空条件化器（STC）网络提取条件信息。我们还提出了具备门控注意力机制的噪声感知时空（NAST）网络，以捕获跨扩散步骤的变异依赖。广泛的在三个真实世界数据集上的实验表明，AdaSTI在所有设置下均优于现有方法，插值误差降低最高可达46.4%。
引用
@article{arxiv.2509.18144,
title = {AdaSTI: Conditional Diffusion Models with Adaptive Dependency Modeling for Spatio-Temporal Imputation},
author = {Yubo Yang and Yichen Zhu and Bo Jiang},
journal= {arXiv preprint arXiv:2509.18144},
year = {2025}
}
备注
9 pages