【KDD2024】异质性知情的元参数学习用于时空时间序列预测

时空时间序列预测在许多现实世界应用中起着关键作用。尽管在这一领域已经取得了显著进展，但完全捕捉和利用时空异质性仍然是一个基本挑战。因此，我们提出了一种新颖的异质性知情的元参数学习方案。具体而言，我们的方法通过学习空间和时间嵌入隐式地捕捉时空异质性，这可以看作是一个聚类过程。然后，提出了一种新的时空元参数学习范式，从元参数池中学习时空特定的参数，这些参数是由捕捉到的异质性信息提供的。 基于这些想法，我们开发了一种用于时空时间序列预测的异质性知情时空元网络（HimNet）。在五个广泛使用的基准数据集上进行了广泛的实验，结果表明我们的方法达到了最先进的性能，同时表现出优越的可解释性。我们的代码可在 https://github.com/XDZhelheim/HimNet 获取。