通过跨城市元学习进行城市时间序列的协同插值
机器学习
2025-11-26 v1 人工智能
摘要
城市时间序列，如交通流、能源消耗和污染记录，封装了复杂的城市动态和结构。然而，由于预算限制和传感器故障等技术挑战，各城市的数据收集受到阻碍，亟需有效的数据插值技术以提高数据质量和可靠性。现有的插值模型可分为基于学习的和基于分析的两大范畴，但都面临着模型容量与可泛化性之间的权衡。通过跨多个城市协同学习来重建数据有望突破这一权衡。然而，城市数据的内在不规则性和异质性问题会加剧跨城市知识共享和协作的挑战。为此，我们提出了一种基于元学习隐式神经表示（INR）的协同插值范式。INR提供了从域坐标到目标值的连续映射，将两种范畴的优势融合其中。通过嵌入理论，我们首先采用连续参数化处理不规则性并重构动力系统。随后，我们引入基于模型无关元学习的跨城市协同学习方案，融合层次化调制和归一化技术，以适应多尺度表示并减少因异质性引起的方差。对20个全球城市的多样化城市数据集进行大量实验表明，我们的模型在插值性能和可泛化性方面均表现出优越性，凸显了在资源受限环境下协同插值方法的有效性。
引用
@article{arxiv.2501.11306,
title = {Collaborative Imputation of Urban Time Series through Cross-city Meta-learning},
author = {Tong Nie and Wei Ma and Jian Sun and Yu Yang and Jiannong Cao},
journal= {arXiv preprint arXiv:2501.11306},
year = {2025}
}