时空预测是一种常见于无线、交通或者金融网络数据分析的任务,有着许多在相关领域的应用。大多数传统统计模型都无法很好的学习出时间序列中的复杂且高度非线性化的关系。近年来大量出现的基于深度学习的时空预测模型虽然能够很好的学习出数据中时间与空间上的相关关系,但是大多数只关心点估计(point estimation)的准确度却很少关注预测中的不确定性(uncertainty)。因此,本工作提出首先利用图表征学习方法对空间相关性信息进行表征后结合循环神经网络(Recurrent Neural Network, RNN)以及粒子流(ParticleFlow)来融合两类模型的优点,同时在能得到准确的点估计的同时可以得到相对应预测的不确定性。在文章中,作者将时间序列数据是为一个非线性状态空间模型的随机实现(random realiziation),并把概率预测问题转化为对隐藏状态(hiddenstate)的贝叶斯推断问题。
文中在多个时空预测数据集中将提出的模型与多个近期时空预测模型做出了比较,文章提出的模型在点估计(精度)表现上综合最佳(基于不同数据集的平均表现排名)。而与其他概率预测预测模型相比亦能取得相对更紧(tight)的预测区间。同时作者印证了所提出的方法是一种对时空预测问题极其通用的框架,在多种RNN及其变种的结构网络中(AGCGRU, DCGRU, GRU)均证明其有效性。
https://www.zhuanzhi.ai/paper/239f83561bd90f07b618c52e0515e404