基于自适应锚图的细粒度时空事件预测
机器学习
2025-01-22 v2 人工智能
社会与信息网络
摘要
事件预测任务通常处理分布在大范围空间区域内的时空数据。该区域内的不同区域 exhibit 不同的特征，同时存在潜在相关性。这种空间异质性和相关性对事件发生的时空分布产生显著影响，而现有研究方法尚未充分考虑这一问题。在连续空间中学习事件的空间依赖关系因其细粒度特征和缺乏先验知识而具有挑战性。本文提出了一种新颖的图时空点过程模型（GSTPP），用于细粒度事件预测。该模型采用编码器-解码器架构，联合建模空间局部区域的状态动态，利用神经常微分方程（ODEs）实现。状态演化基于一种新颖的自适应锚图（SAAG）构建，SAAG捕获空间依赖关系。通过自适应定位锚节点并联合构建它们之间的关联边，SAAG增强了模型学习复杂空间事件模式的能力。所提出的GSTPP模型显著提高了细粒度事件预测的准确率。大量实验结果表明，我们的方法在现有时空事件预测方法上取得了显著的预测准确率提升。
引用
@article{arxiv.2501.08653,
title = {Fine-grained Spatio-temporal Event Prediction with Self-adaptive Anchor Graph},
author = {Wang-Tao Zhou and Zhao Kang and Sicong Liu and Lizong Zhang and Ling Tian},
journal= {arXiv preprint arXiv:2501.08653},
year = {2025}
}
备注
Accepted to SIAM International Conference on Data Mining 2025 (SDM'25)