Score-Based Variational Modeling for Spatiotemporal Forecasting

doi:10.1109/TSIPN.2025.3622886

Score-Based Variational Modeling for Spatiotemporal Forecasting

2025-01-01

0

PRE

AI

DOI：10.1109/TSIPN.2025.3622886

原文链接

原文求助

摘要

En 中文

时空数据在空间和时间维度上表现出复杂的依赖关系，这使得准确捕捉这些关系对于提升预测性能至关重要。尽管深度学习模型被广泛应用于时空序列预测，但大多数现有方法分别建模空间和时间特征，未能充分考虑到数据中固有的不确定性和噪声。为解决这些局限性，我们提出了基于分数的时空变分模型（SSTVM），该模型结合了变分图自编码器（VGAEs）和随机微分方程（SDEs）。SSTVM利用预处理模块生成高质量输入，将高维数据映射到潜在空间，其中扩散模型模拟动态变化和不确定性。通过这种方式，所提出的方法能够有效捕捉时空数据中的全局依赖关系，同时在稀疏数据场景下保持鲁棒性。此外，解码器生成图，SSTVM利用图卷积网络（GCNs）和注意力机制来预测未来状态。SSTVM灵活的编码器-解码器架构确保其能够无缝适应广泛场景和任务。在多个真实世界数据集上的实验结果表明，SSTVM优于现有方法，突显了其在时空建模中的有效性和鲁棒性。

Keyword:

Deterministic methods

latent space

spatiotemporal forecasting

stochastic differential equations (SDEs)

variational graph autoencoders (VGAEs)

Score-Based Variational Modeling for Spatiotemporal Forecasting

摘要

期刊

机构

引用论文