BiDepth：用于时空预测的双向深度神经网络
机器学习
2025-07-15 v3 人工智能
计算机视觉与模式识别
应用统计
摘要
准确的时空（ST）预测对于动态系统（如城市交通和天气模式）至关重要，但受限于复杂的 ST 相关性以及同时建模长期趋势与短期波动的挑战。现有方法在这些方面常常不堪一筹。本文提出了双向深度调制神经网络（BDMNN），其集成了两个关键创新：1）一种双向深度调制机制，动态调整网络深度以全面捕获长期季节性和即时短期事件；2）一种新型卷积自注意力单元（CSAC）。重要的是，与许多注意力机制可能丢失空间分辨率不同，我们的 CSAC 被专门设计用于在整个网络中保持关键空间关系，就像标准卷积层一样，同时同时捕获时序依赖性。在真实的城市交通和降水数据集上进行评估，BDMNN 显示出显著的准确率提升，在城市交通预测中实现了 12% 的均方误差（MSE）降低，在降水预测中实现了 15% 的准确率提升，相较于 ConvLSTM 等领先深度学习基准方法，使用的计算资源相当。这些突破为智能城市管理、灾害预防和资源优化提供了稳健的时空预测能力。
引用
@article{arxiv.2501.08411,
title = {BiDepth: A Bidirectional-Depth Neural Network for Spatio-Temporal Prediction},
author = {Sina Ehsani and Fenglian Pan and Qingpei Hu and Jian Liu},
journal= {arXiv preprint arXiv:2501.08411},
year = {2025}
}
备注
21 pages, 6 figures. Submitted to ACM TKDD