STA-GANN：一种有效且可泛化的时空克里金方法
机器学习
2025-11-18 v2 人工智能
摘要
时空任务常常会遇到由于传感器缺失或不可访问而导致的数据不完整，这使得时空克里金至关重要，用于推断完全缺失的时序信息。然而，当前模型在确保推断时空模式的有效性和泛化性方面存在挑战，尤其是在捕获动态空间依赖关系和时序偏移方面，以及优化未知传感器的泛化性方面。为此，我们提出一种时空感知图对抗神经网络 (STA-GANN)，一种基于图神经网络 (GNN) 的新颖克里金框架，通过 (i) 解耦相位模块来感知并调整时间戳偏移；(ii) 动态数据驱动的元数据图建模，以使用时序数据和元数据更新空间关系；(iii) 对抗迁移学习策略以确保泛化性。广泛的九数据集来自四个领域的实验验证以及理论证据均表明，STA-GANN 的性能卓越。
引用
@article{arxiv.2508.16161,
title = {STA-GANN: A Valid and Generalizable Spatio-Temporal Kriging Approach},
author = {Yujie Li and Zezhi Shao and Chengqing Yu and Tangwen Qian and Zhao Zhang and Yifan Du and Shaoming He and Fei Wang and Yongjun Xu},
journal= {arXiv preprint arXiv:2508.16161},
year = {2025}
}