面向时空插值的数据集尺度适应的图结构学习
机器学习
2025-01-07 v2 数据库
摘要
不同地理位置收集的时空数据常常存在缺失值，这给数据分析带来挑战。现有方法主要利用固定的时空图对缺失值进行插值，这隐含地假设空间关系在不同特征和不同位置间大致相同。然而，这些方法可能忽视由不同位置传感器记录的不同特征的空间关系差异。为此，我们引入面向时空插值的数据集尺度适应的图结构学习框架（GSLI），该框架动态适应异构的空间相关性。我们的框架包括针对不同特征不同全局空间相关性的结点尺度图结构学习，以及针对所有站点内不同特征共同空间相关性的特征尺度图结构学习。结合显著性建模，框架在插值过程中强调具有更大重要性的结点和特征。此外，GSLI 融合了跨特征和跨时序表征学习，以捕获时空依赖性。在六个真实不完整时空数据集上进行评估，GSLI 在数据插值效果上实现了提升。
引用
@article{arxiv.2412.18535,
title = {Graph Structure Learning for Spatial-Temporal Imputation: Adapting to Node and Feature Scales},
author = {Xinyu Yang and Yu Sun and Xinyang Chen and Ying Zhang and Xiaojie Yuan},
journal= {arXiv preprint arXiv:2412.18535},
year = {2025}
}
备注
This paper has been accepted as a full paper at AAAI 2025