DRAN：一种分布与关系自适应网络用于时空预测

准确预测时空系统对于系统管理、控制和危机预防等任务至关重要。然而，许多时空系统固有的时变特性在无法保证平稳性的情况下会给实现准确预测带来挑战。为此，我们提出了一种分布与关系自适应网络 (Distribution and Relation Adaptive Network, DRAN)，能够动态适应随时间变化的关系和分布。虽然时序归一化和反归一化是适应分布迁移常用技术，但该操作不适用于时空情境，因为时序归一化会对节点的时间序列进行缩放，从而可能破坏节点之间的空间关系。为此，我们开发了一个空间因子学习器 (Spatial Factor Learner, SFL) 模块，使归一化和反归一化过程得以实现。为了适应传感器之间空间关系的动态变化，我们提出了动态-静态融合学习器 (Dynamic-Static Fusion Learner, DSFL) 模块，通过自适应融合比率机制有效整合来自动态和静态关系中学习的特征。此外，我们引入了随机学习器来捕捉时空表示的噪声成分。我们的方法在天气预测和交通流预测任务上均优于当前最先进的方法。实验结果表明，我们的 SFL 在各种时序归一化操作中有效保持了空间关系。对所学习的动态和静态关系的可视化表明，DSFL 能够捕捉节点之间局部和远程关系。