构建自相关感知表示以实现精细尺度时空预测
机器学习
2021-12-13 v1
摘要
许多科学预测问题在仅使用稀疏且不均匀分布的观测来处理时空复杂变化时，面临时空数据及建模相关的挑战。本文提出了一种新颖的深度学习架构，即用于位置依赖时间序列数据的深度学习预测（DeepLATTE），其将空间统计理论显式地融入神经网络以应对这些挑战。除特征选择模块和时空学习模块外，DeepLATTE 包含一种自相关引导的半监督学习策略，以强制所学时空嵌入空间中预测结果的局部自相关模式与全局自相关趋势均与观测数据一致，从而克服稀疏且不均匀分布观测的局限性。在训练过程中，监督与半监督损失共同引导整个网络的更新以：1）防止过拟合，2）优化特征选择，3）学习有用的时空表示，4）改善整体预测。我们使用一个备受关注且物理环境复杂的地区——洛杉矶的空气质量预测这一重要公共卫生主题的公开数据对 DeepLATTE 进行了演示。实验表明，所提方法提供了准确的精细空间尺度空气质量预测，并揭示了影响结果的关键环境因素。
引用
@article{arxiv.2112.05313,
title = {Building Autocorrelation-Aware Representations for Fine-Scale Spatiotemporal Prediction},
author = {Yijun Lin and Yao-Yi Chiang and Meredith Franklin and Sandrah P. Eckel and José Luis Ambite},
journal= {arXiv preprint arXiv:2112.05313},
year = {2021}
}
备注
Published in ICDM2020