INCREASE：用于时空克里金的归纳图表示学习

时空克里金是 Web 与社交应用（如 Web 或物联网）中的一个重要问题，其中连接成网络的物体（例如传感器）通常具有空间和时间属性。它旨在利用给定感兴趣时间段内已观测位置（的物体）的数据，推断未观测位置（的物体）的知识。该问题本质上需要归纳学习。一旦训练完成，模型应能够对不同位置（包括新给定的位置）执行克里金，而无需重新训练。然而，由于异构的空间关系和多样的时间模式，实现准确的克里金结果具有挑战性。在本文中，我们提出了一种用于时空克里金的新型归纳图表示学习模型。我们首先通过空间邻近性、功能相似性和转移概率来编码未观测位置与已观测位置之间的异构空间关系。基于每种关系，我们通过联合建模其相似性和差异，精确聚合最相关的已观测位置的信息，以生成未观测位置的归纳表示。然后，我们设计了关系感知门控循环单元 (GRU) 网络，以自适应地捕获每种关系所生成序列表示中的时间相关性。最后，我们提出了一种多关系注意力机制，以动态融合来自多种关系在不同时间步的复杂时空信息，从而计算克里金输出。在三个真实世界数据集上的实验结果表明，我们提出的模型始终优于 SOTA 方法，且当已观测位置较少时优势更为显著。我们的代码可在 https://github.com/zhengchuanpan/INCREASE 获取。