.png){kind=icon}
返回
Spatiotemporal Non-Aligned Data Inference for Sparse Mobile CrowdSensing
.png){kind=icon}
PRE
AI
DOI：10.1109/tmc.2026.3689085.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
稀疏移动群感是一种实用的数据收集范式，其中移动用户报告部分测量值，平台通过利用时空相关性推断缺失值。大多数现有方法假设均匀的空间尺度，并将观测值聚合到固定的时间槽中。然而，在实际中，异构设备和异步报告导致观测值在空间覆盖上存在差异，且到达时间戳不规则。在空间上，由于偏移或部分重叠，粗尺度测量往往无法完美分解为细尺度网格；在时间上，连续的不规则观测可能与期望的目标报告时刻不一致。这些空间和时间的不对齐问题共同使数据推断变得极具挑战性。为解决此问题，我们提出了ST-NAI，一个用于时空非对齐数据推断的统一框架。ST-NAI通过融合物理时间间隔，使用Time-Mamba模型连续时间动态，并通过尺度调整的重采样策略解决几何不匹配问题。我们进一步使用ST-Mamba和Cross-Mamba增强时空集成，以线性复杂度捕捉全局上下文。在六个真实数据集上的实验证明了所提出框架在处理数据推断挑战中的有效性。
Keyword:
Sparse mobile crowdsensing
multi-scale processing
spatiotemporal data
spatiotemporal non-aligned
期刊
IF:
9.2
论文数:
5.8K
被引数:
1.8W
机构
引用论文
.png){kind=icon}
分享收藏The ChinaHighPM10 dataset: generation, validation, and spatiotemporal variations from 2015 to 2019 across ChinaChinaHighPM10数据集: 2015年中国各地2019年的生成、验证和时空变化
OAAI
OAAI分享收藏
查看更多内容