sasdim：面向空间时间序列插补的自适应噪声缩放扩散模型
机器学习
2023-09-06 v1 人工智能
摘要
空间时间序列插补对智能交通、空气质量监测等诸多实际应用至关重要。尽管近期基于 Transformer 与扩散模型的方法相较传统统计方法已取得显著性能提升，但由于空间时间序列数据复杂的时空依赖关系与噪声不确定性，空间时间序列插补仍具挑战性。特别是，近期基于扩散过程的模型可能向插补结果引入随机噪声，从而对模型性能产生负面影响。为此，我们提出一种名为 SaSDim 的自适应噪声缩放扩散模型，以更有效地进行空间时间序列插补。具体而言，我们提出一种新的损失函数，可将噪声缩放至相近强度，并设计跨时空全局卷积模块以更有效地捕捉动态时空依赖。在三个真实世界数据集上的大量实验通过与当前最先进基线的对比，验证了 SaSDim 的有效性。
引用
@article{arxiv.2309.01988,
title = {sasdim: self-adaptive noise scaling diffusion model for spatial time series imputation},
author = {Shunyang Zhang and Senzhang Wang and Xianzhen Tan and Ruochen Liu and Jian Zhang and Jianxin Wang},
journal= {arXiv preprint arXiv:2309.01988},
year = {2023}
}