超越期望：面向时空问题的深度联合均值与分位数回归

时空问题无处不在，且在许多研究领域中至关重要。尽管深度学习方法在建模时空数据方面已展现出潜力，典型方法往往仅关注被建模输出变量的条件期望。本文中，我们提出一种多输出多分位数深度学习方法，将若干条件分位数与条件期望联合建模，以在时空问题中提供预测密度的更完整“图景”。利用来自交通领域的两个大规模数据集，我们经实证表明，从多任务学习视角切入分位数回归问题，可解决令人尴尬的分位数交叉问题，同时显著优于最先进（SOTA）的分位数回归方法。此外，我们表明联合建模均值与若干条件分位数不仅以可忽略的计算开销提供了能捕捉异方差特性的预测密度丰富描述，还因额外信息及所加分位数引入的正则化效应而改善了条件期望的预测。