每个地点都有其节奏：赋予时间序列Transformer空间洞察以实现长期时空预测

《ACM Transactions on Intelligent Systems and Technology》：Every Locale Has Its Rhythm: Endow Time-Series Transformers with Spatial Insights for Long-term Spatio-Temporal Forecasting

　　

摘要AI 摘要

要查看此 AI 生成摘要，您必须拥有高级访问权限。

了解更多登录

摘要

摘要

Transformer 在时间序列预测方面展现了广阔前景，这归功于其卓越的捕捉时间依赖关系的能力。然而，现有的 Transformer 模型主要关注单变量/多变量时间序列内部的时间依赖关系。这种关注导致对时间序列间空间相关性的表征不足。为弥合这一差距，本文提出了Graph Time-Series Transformer（G?T），这是一种旨在提升长期时空预测的新型方法。G?T 巧妙地融合了 Transformer 和图神经网络（GNN）的原理。它设计了一种新颖的顶点级解耦分块方案，其中时间图中的每个单变量时间序列被分割为子序列级分块，这些分块作为输入标记送入 Transformer。这些分块随后输入到 Transformer 编码器中，生成捕捉时间相关性的分块表示。单变量时间序列的 Transformer 表示随后通过跨顶点多变量表示进行处理，其中单变量时间序列的表示被重新关联到时间图中的顶点，并用拉普拉斯位置编码进行增强。增强后的表示进一步通过图卷积网络处理，以捕捉时间序列之间的空间相关性。G?T 在涵盖多种应用领域的 6 个时空预测数据集上进行了评估。实验结果表明，在预测精度方面，G?T 优于现有最先进方法（SOTA），最大性能提升达 15.9%。

AI 摘要

AI 生成摘要（实验性）

本摘要由自动化工具生成，未经文章作者撰写或审阅。它旨在支持发现、帮助读者评估相关性，并协助相邻研究领域的读者理解该工作。它旨在补充作者提供的摘要，后者仍为论文的主要摘要。全文仍为权威版本记录。点击此处了解更多信息。

点击此处对本摘要的准确性、清晰度和有用性进行评论。这样有助于推动改进和未来重新生成的版本。

要查看此 AI 生成的通俗语言摘要，您必须拥有高级访问权限。