B-TGAT：用于聚类多变量时空气候数据的双向时序图注意力转换器
机器学习
2025-09-17 v1 人工智能
摘要
对高维多变量时空气候数据进行聚类分析具有挑战性，这主要源于复杂的时序依赖关系、演变中的空间相互作用以及非平稳动力学。传统聚类方法，包括循环模型和卷积模型，往往难以同时捕捉局部和全局时序关系，同时保持空间语境。我们提出了一种时分散式混合 U-Net 自动编码器，集成了双向时序图注意力转换器 (B-TGAT)，以引导多维时空气候数据集的高效时序聚类。编码器和解码器配备 ConvLSTM2D 模块，通过建模局部动力学和时间上的空间相关性来提取联合空间-时间特征，并通过跳过连接在特征压缩和重建期间保留多尺度空间细节。在瓶颈处，B-TGAT 集成了基于图的空间建模与注意力驱动的时序编码，实现对时序邻居的自适应加权，并捕捉跨区域的短程和长程依赖关系。该体系结构产生用于聚类的判别性潜在嵌入。针对三个不同的时空气候数据集进行实验，显示出卓越的聚类可分性、时序稳定性以及与已知气候转变的一致性，优于最先进的基线方法。B-TGAT 集成了 ConvLSTM2D、U-Net 跳过连接和时序图注意力机制，显著提升了时序聚类性能，同时提供了对复杂时空变异性的可解释见解，推动了方法ological 发展和气候科学应用的进展。
引用
@article{arxiv.2509.13202,
title = {B-TGAT: A Bi-directional Temporal Graph Attention Transformer for Clustering Multivariate Spatiotemporal Data},
author = {Francis Ndikum Nji and Vandana Janaja and Jianwu Wang},
journal= {arXiv preprint arXiv:2509.13202},
year = {2025}
}
备注
10 pages, In review