面向时空感知的交通时间序列预测——完整版

交通时间序列预测具有挑战性，因为来自不同位置的复杂时空动态时间序列往往具有不同模式；并且对于同一时间序列，模式可能随时间变化，例如一天中存在某些时段表现出更强的时序相关性。尽管最近的预测模型，特别是基于深度学习的模型，显示出有前景的结果，但它们受限于时空不可知。此类时空不可知模型采用共享参数空间而不论时间序列位置和时间段，并假设时间模式在不同位置间相似且不随时间演化，而这未必总成立，从而导致次优结果。在本工作中，我们提出一个旨在将时空不可知模型转变为时空感知模型的框架。为此，我们将来自不同位置的时间序列编码为随机变量，并从中生成位置特定且随时间变化的模型参数以更好地捕捉时空动态。我们展示了如何将该框架与标准注意力机制结合以实现时空感知注意力。接下来，为补偿由时空感知模型参数生成过程引入的额外开销，我们提出一种新颖的窗口注意力方案，其将复杂度从二次降为线性，使时空感知注意力也具有有竞争力的效率。我们在四个交通时间序列数据集上展示了有力的实证证据，其中所提时空感知注意力在准确率和效率上均优于最先进的方法。本文是即将发表于 ICDE 2022 [1] 的“面向时空感知的交通时间序列预测”的扩展版，包含了额外的实验结果。