基于异构性信息的时空序列预测元参数学习

时空序列预测在广泛的实际应用中发挥着关键作用。尽管在该领域取得了显著进展，但完全捕捉和利用时空异构性仍然是一个根本性挑战。因此，我们提出了一种新颖的异构性信息元参数学习方案。具体而言，我们的方法通过学习空间和时间嵌入来隐式捕捉时空异构性，可视为一种聚类过程。然后，提出了一种新的时空元参数学习范式，用于从元参数池中学习时空特定参数，这种学习是受到所捕捉的异构性信息驱动的。基于这些思想，我们开发了一个基于异构性信息的时空元网络（HimNet），用于时空序列预测。在五个广泛使用的数据集基准上进行的大量实验表明，我们的方法在实现最先进性能的同时，展现出优异的可解释性。我们的代码已提供给公众。