通过分解与时空图分析预测多元城市数据
机器学习
2025-08-28 v2
摘要
由于此类数据集中固有的复杂时空依赖性，多元城市数据的长期预测提出了重大挑战。本文提出了 DST，一种新型多元时间序列预测模型，该模型在图神经网络（GNN）内集成了图注意力和时间卷积，以分别有效捕获空间和时间依赖性。为了提升模型性能，我们应用了基于分解的预处理步骤，以分离时间序列的趋势、季节和残差分量，从而能够为不同的时间序列分量学习不同的图结构。在包括电力需求、气象指标、碳强度和空气污染在内的真实城市数据集上进行的广泛实验，证明了 DST 在从几天到一个月的一系列预测时间跨度上的有效性。具体而言，与最先进的时间序列预测模型相比，我们的方法在长期预测准确率上平均提升了 2.89% 至 9.10%。
引用
@article{arxiv.2505.22474,
title = {Forecasting Multivariate Urban Data via Decomposition and Spatio-Temporal Graph Analysis},
author = {Amirhossein Sohrabbeig and Omid Ardakanian and Petr Musilek},
journal= {arXiv preprint arXiv:2505.22474},
year = {2025}
}