GTrans：融合图嵌入的时空自回归Transformer用于极端事件临近预报
机器学习
2022-01-19 v1 人工智能
摘要
时空时间序列临近预报应保持时间和空间动态特性，即模型生成的新序列应遵从历史的协方差关系。传统的特征提取器基于深度卷积神经网络（CNN）构建。然而，CNN模型局限于类图像应用，其中数据可表示为高维数组。相比之下，社交网络、道路交通、物理以及化学性质预测等应用中的数据特征可由图的节点和边组织。Transformer架构作为一种新兴的预测模型方法，凭借注意力机制设计带来了高精度与高效率。本文提出一种时空模型，即GTrans，它将数据特征转换为图嵌入，并利用transformer模型预测时间动态。根据我们的实验，我们证明GTrans能够对数据集建模空间和时间动态并临近预报极端事件。此外，在所有实验中，GTrans在二分类预测测试中均能取得比基线模型更高的F1和F2分数。
引用
@article{arxiv.2201.06717,
title = {GTrans: Spatiotemporal Autoregressive Transformer with Graph Embeddings for Nowcasting Extreme Events},
author = {Bo Feng and Geoffrey Fox},
journal= {arXiv preprint arXiv:2201.06717},
year = {2022}
}