GeoPro-Net：通过统计引导的Geo-原型学习可解释的时空预测模型
机器学习
2024-12-23 v1 人工智能
摘要
预测诸如犯罪和事故等时空事件的问题对于公共安全和城市管理至关重要。除了准确性外，可解释性也是时空预测模型的关键要求，以为决策提供依据。然而，由于多源时空特征的复杂性、对非专业用户而言时空模式的非直观性，以及数据中空间异质性的存在，解释时空预测机制是具有挑战性的。目前，没有任何深度学习模型能够内在地解释从多源时空特征中学习的复杂预测过程。为弥合这一差距，我们提出GeoPro-Net，这是一个用于时空事件预测问题的内在可解释时空模型。GeoPro-Net引入了一种新的Geo概念卷积操作，该操作利用统计检验从输入中提取预测模式作为Geo概念，并通过可解释的通道融合和基于地理的池化对Geo概念编码的输入进行压缩。此外，GeoPro-Net学习不同的原型集合，这些原型内在地表示概念，并投射到实际案例中以进行解释。在四个真实数据集上的全面实验和案例研究表明，GeoPro-Net在保持与最先进基线方法竞争的预测性能的同时，提供了更好的可解释性。
引用
@article{arxiv.2412.15353,
title = {GeoPro-Net: Learning Interpretable Spatiotemporal Prediction Models through Statistically-Guided Geo-Prototyping},
author = {Bang An and Xun Zhou and Zirui Zhou and Ronilo Ragodos and Zenglin Xu and Jun Luo},
journal= {arXiv preprint arXiv:2412.15353},
year = {2024}
}