时空神经网络用于时空序列预测与关系发现
机器学习
2018-04-24 v1 机器学习
摘要
我们引入一种动态时空模型，形式化为循环神经网络，用于预测空间过程的时间序列，即共享时间与空间依赖性的观测序列。该模型通过结构化的潜在动态分量学习这些依赖性，而解码器从潜在表示中预测观测值。我们考虑该模型的若干变体，对应于关于序列间空间关系的不同先验假设。该模型在代表不同应用领域的多种预测问题上进行了评估，并与最先进的基线方法比较：流行病学、地理空间统计与交通预测。除这些评估外，我们还描述了展示该方法提取相关空间关系能力的实验。
引用
@article{arxiv.1804.08562,
title = {Spatio-Temporal Neural Networks for Space-Time Series Forecasting and Relations Discovery},
author = {Ali Ziat and Edouard Delasalles and Ludovic Denoyer and Patrick Gallinari},
journal= {arXiv preprint arXiv:1804.08562},
year = {2018}
}
备注
accepted by: ICDM 2018 - IEEE International Conference on Data Mining series (ICDM)