D-GAN：用于时空预测的深度生成对抗网络
机器学习
2021-06-01 v3 机器学习
摘要
面向城市应用的时空（ST）数据，如出租车需求、交通流量、区域降雨，本质上具有随机性与不可预测性。近来，基于深度学习的时空预测模型被提出以学习数据的时空特征。然而，仍存在如下挑战：（1）充分学习复杂且非线性的时空关系；（2）对时空数据量中的高度变化建模，因其本质动态、随时间变化（即不规则）且受诸多外部因素（如恶劣天气、事故、交通管制、兴趣点等）影响强烈；（3）可能存在许多复杂外部因素影响精度，且无法显式列举。为应对上述问题，本文提出一种基于深度生成对抗网络的新模型（命名为 D-GAN），通过无监督方式隐式学习时空特征表示，以实现更精准的时空预测。D-GAN 采用基于 GAN 的结构，联合学习数据的生成与变分推断。更具体地，D-GAN 由两大部分组成：（1）深度时空特征学习网络，通过隐式分布建模来刻画数据中的时空相关性、语义变化以及变化的潜在因素与不规则性；（2）融合模块，引入外部因素以获得更好的推断。据我们所知，此前尚无工作通过深度隐式生成模型并以无监督方式研究时空预测问题。在两个真实世界数据集上的大量实验表明，D-GAN 比传统及基于深度学习的时空预测方法取得了更精确的结果。
引用
@article{arxiv.1907.08556,
title = {D-GAN: Deep Generative Adversarial Nets for Spatio-Temporal Prediction},
author = {Divya Saxena and Jiannong Cao},
journal= {arXiv preprint arXiv:1907.08556},
year = {2021}
}