GeoMAE：用于缺失值空间时间图预测的掩码表示学习
机器学习
2026-05-25 v3 人工智能
摘要
城市智能系统中缺失数据的普遍性——归因于恶劣环境条件和设备故障——对下游应用（尤其是交通预测和能源消耗预测）的效果构成重大挑战。因此，亟需开发一种能从不完整数据集中提取有意义信息的鲁棒空间时间学习方法。尽管已存在针对存在缺失值情况下的空间时间图预测方法，但仍存在未解决问题。主要问题在于：现有大部分研究基于时间序列分析，忽略了传感器网络中内在的动态空间关联；缺失数据模式的复杂性进一步增加了问题的难度；维护条件的差异导致缺失值比例和模式出现显著波动，挑战了预测模型的普适性。为此，本研究引入GeoMAE——一种自监督空间时间表示学习模型。该模型包含三个主要组成部分：输入预处理模块、基于注意力机制的空间时间预测网络（STAFN），以及受掩码自编码器启发的辅助学习任务，以提升空间时间表示学习的鲁棒性。在真实数据集上的实验评估表明，GeoMAE显著优于现有基准，相较于最佳基线模型实现最高达13.20%的相对提升。
引用
@article{arxiv.2508.14083,
title = {GeoMAE: Masking Representation Learning for Spatio-Temporal Graph Forecasting with Missing Values},
author = {Songyu Ke and Chenyu Wu and Yuxuan Liang and Huiling Qin and Junbo Zhang and Yu Zheng},
journal= {arXiv preprint arXiv:2508.14083},
year = {2026}
}
备注
34 pages for pre-print version. This work has been published in *Neural Networks*. Please check the latest version via the following DOI