基于图分解学习的多因子时空预测
机器学习
2024-03-08 v2
摘要
时空(ST)预测是数据挖掘与分析中的一项重要且广泛应用的技术，尤其针对城市系统（如交通数据）中的 ST 数据。实践中，ST 数据的生成通常受多种与自然现象或人类社会经济活动相关的潜在因子影响，并有选择地作用于特定空间区域。然而，现有 ST 预测方法通常未细化不同因子的影响，而是直接对多因子的纠缠影响建模。这放大了 ST 数据的建模复杂度并损害了模型可解释性。为此，我们提出一种多因子 ST 预测任务，预测不同因子下的部分 ST 数据演化，并将其组合得到最终预测。我们对该任务作出两点贡献：一种有效的理论解与一个可移植的实例化框架。具体而言，我们首先提出称为分解预测策略的理论解，并从信息熵理论角度证明其有效性。在此基础上，我们实例化一个新颖的模型无关框架，称为时空图分解学习(STGDL)，用于多因子 ST 预测。该框架由两个主要组件构成：自动图分解模块，将 ST 数据中固有的原始图结构分解为对应于不同因子的子图；以及分解学习网络，分别在每种子图上学习部分 ST 数据并集成以得到最终预测。我们在两类图（即网格图与网络图）的四个真实世界 ST 数据集上进行大量实验。结果表明，我们的框架使多种 ST 模型的预测误差平均显著降低 9.41%（最高 35.36%）。此外，案例研究揭示了我们框架的可解释性潜力。
引用
@article{arxiv.2310.10374,
title = {Multi-Factor Spatio-Temporal Prediction based on Graph Decomposition Learning},
author = {Jiahao Ji and Jingyuan Wang and Yu Mou and Cheng Long},
journal= {arXiv preprint arXiv:2310.10374},
year = {2024}
}