用于实时克里金的时空聚合与卷积网络

时空克里金是时空数据分析中的重要应用，旨在基于观测信号恢复/插值未采样/未观测位置的信号。时空克里金的主要挑战是如何有效建模并利用数据中的时空依赖关系。近来，图神经网络（GNNs）在时空克里金任务中展现出巨大潜力。然而，标准 GNN 通常需要精心设计的邻接矩阵与特定聚合函数，对一般应用/问题缺乏灵活性。为解决此问题，我们提出 SATCN——Spatial Aggregation and Temporal Convolution Networks（空间聚合与时序卷积网络）——一种通用且灵活的框架，可对各类时空数据集执行时空克里金而无需模型设定。具体而言，我们受 Principal Neighborhood Aggregation 启发提出新颖的空间聚合网络（SAN），其使用多种聚合函数帮助节点从邻居处收集多样信息。为排除来自未采样节点的信息，向 SAN 引入一种掩码策略，阻止未采样传感器向其邻域发送消息。我们通过时序卷积网络捕捉时间依赖，使模型能处理不同规模的数据。为使 SATCN 对未见节点甚至未见图结构具有泛化能力，我们采用归纳策略训练 SATCN。我们在三个真实世界时空数据集（包括交通速度与气候记录）上进行大量实验。结果证明了 SATCN 优于传统及基于 GNN 的克里金模型。