ProGen: 基于随机微分方程从连续生成视角重新审视概率时空时间序列预测
机器学习
2024-11-05 v1 机器学习
摘要
时空数据的准确预测仍具有挑战性，因其存在复杂的空间依赖和时间动态。此类数据固有的不确定性和变异性常使确定性模型不足，从而促使转向概率方法，其中基于扩散的生成模型已成为有效解决方案。在本文中，我们提出了ProGen，一个利用随机微分方程（SDE）和扩散生成建模技术在连续域中进行概率时空时间序列预测的新框架。通过整合一种新型去噪评分模型、图神经网络和定制的SDE，ProGen提供了一个鲁棒的解决方案，能够有效捕捉时空依赖同时管理不确定性。我们在四个基准交通数据集上的广泛实验表明，ProGen优于最先进的确定性和概率模型。本工作为时空预测贡献了一种连续的、基于扩散的生成方法，为概率建模和随机过程的未来研究铺平了道路。
引用
@article{arxiv.2411.01267,
title = {ProGen: Revisiting Probabilistic Spatial-Temporal Time Series Forecasting from a Continuous Generative Perspective Using Stochastic Differential Equations},
author = {Mingze Gong and Lei Chen and Jia Li},
journal= {arXiv preprint arXiv:2411.01267},
year = {2024}
}