.png){kind=icon}
返回
.png){kind=icon}
PRE
AI
DOI：.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
时空预测（STF）在现实应用中发挥着关键作用。然而，现有方法大多假设数据完整，难以处理缺失值，且在利用时空异质性方面效果不佳。为解决这些挑战，我们提出了一种基于注意力机制的缺失感知图卷积循环网络（MGCRN），用于处理缺失数据和时空异质性。该模型包含两个关键组件：时空交互感知注意力和自适应图卷积网络。具体而言，我们设计了交互感知注意力以捕捉时空依赖关系，有效感知缺失数据并建模上下文信息。此外，我们提出的自适应图卷积网络利用时空数据的内在异质性构建动态图，并重构合理的时空依赖关系。实验结果表明，在高缺失率场景下，我们的模型仍能保持高预测精度，并在四个真实数据集上显著优于现有的时空预测方法。
期刊
暂无期刊信息
机构
暂无机构信息
引用论文
GinAR+: A Robust End-to-End Framework for Multivariate Time Series Forecasting With Missing ValuesGinAR+: 一种鲁棒型端到端多元时间序列预测框架（带缺失值）
PREAI
分享收藏A new hybrid ensemble deep reinforcement learning model for wind speed short term forecasting.png)
ENERGY
ENERGYIF9.4
PREAI
分享收藏Spatio-Temporal Forecasting: A Survey of Data-Driven Models Using Exogenous Data时空预测: 使用外生数据的数据驱动模型综述IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容