面向灰色时空系统的学习：非连续时空动态的预言者

由于其在智慧城市中的多样且关键的应用，时空预测是数据科学中一个重要课题。现有工作大多在观测完整且连续获取的情况下对后续步骤进行连续预测，其中最近的观测可作为瞬时状态估计的关键知识。然而，早期活动规划与传感器故障等实际问题引发了一个全新任务，即非连续预测。本文中，我们将观测缺失的时空学习系统定义为灰色时空系统（G2S），并提出了一种面向 G2S 的因子解耦学习框架（FDG2S），其核心思想是分层解耦多层次因子，并实现灵活的聚合与解耦的不确定性估计。首先，为补偿缺失观测，设计了一种通用语义邻域序列采样，选取代表性序列以捕捉周期规律与瞬时变化。其次，我们将非连续状态的预测转化为在期望组合外生因子下的状态推断。特别地，提出一种因子解耦聚合方案，通过条件随机场的两个能量函数解耦因子诱导的预测强度与区域邻近性。为在灵活因子组合下推断区域邻近性并实现动态邻域聚合，我们进一步解耦外生因子对区域邻近性的复合影响并学习聚合它们。鉴于 G2S 固有的不完全性与关键应用，提出了解耦不确定性量化，以识别两类不确定性，从而提供可靠性保证与模型解释。