STDCformer：基于空间时间因果去混淆策略的群体流量预测Transformer模型
人工智能
2024-12-05 v1
摘要
现有工作通常将空间时间预测视为学习将历史观察转化为未来观察的函数F的问题。我们进一步将这种跨时间转换分解为三个过程：(1)编码(E)：学习观察的内在表征，(2)跨时间映射(M)：将过去的表征转化为未来的表征，(3)解码(D)：从未来的表征重构未来的观察。从这个角度看，空间时间预测可以看作学习F = E · M · D，其中包括学习观察空间与隐藏表征空间之间的空间转换{E, D}，以及在表征空间内从未来状态到过去状态的空间时间映射M。这引出两个关键问题：\textbf{Q1：哪种表征空间允许将过去映射到未来？\textbf{Q2：如何在表征空间内实现将过去映射到未来？}为此，我们提出了空间时间背门调整策略，学习空间时间去混淆（STDC）表征空间，并估计历史数据对未来数据的去混淆因果效应。我们捕获的这种因果关系作为后续空间时间映射的基础。为此，我们设计了空间时间嵌入（STE），融合时间与空间混淆器的信息，捕捉表征的内在空间时间特征。此外，我们引入交叉时间注意力机制，在未来与过去之间查询注意力，以引导空间时间映射。
引用
@article{arxiv.2412.02942,
title = {STDCformer: A Transformer-Based Model with a Spatial-Temporal Causal De-Confounding Strategy for Crowd Flow Prediction},
author = {Silu He and Peng Shen and Pingzhen Xu and Qinyao Luo and Haifeng Li},
journal= {arXiv preprint arXiv:2412.02942},
year = {2024}
}