摘要
本文研究了时空序列数据在时间维度和空间维度上存在的复杂依赖关系，分析了不同类型的时空序列数据在建模时遇到的挑战，在此基础上构建基于图表示的时空序列预测方法，捕获动态变化的时空相关性。通过在真实数据集上预测时空对象的未来状态或事件热点，以此来验证所提出方法的有效性。本文的创新性工作包括以下三点： （1）提出基于图表示学习的时空序列预测方法框架，用于捕获时空序列中动态变化的时空模式。考虑到各个观测点与邻近位置的观测点之间相互关联，同时观测点在目标空间呈现不规则分布，因此将时空数据表征为图结构，利用图表示学习来建模观测点之间的动态依赖关系，进而预测未来时刻时空对象的观测值。在这个统一的时空序列预测方法框架下，可结合时空序列的数据特点进一步构建预测模型。 （2）针对在时空维度上稀疏分布的离散型时空序列，基于上述预测方法框架，提出一种新颖的融合全局和局部特征的时空序列预测方法，捕获全局的空间相似性和局部的空间相关性，用于预测发生频次较低的热点事件的未来状态。通过构造周期性特征和多源的时变因素，建模长短期的时间依赖性。在模型训练阶段设计加权损失函数，对不平衡分布的样本类别设置较大的权重来缓解零膨胀的问题。通过在真实的交通事故数据集上进行对比实验，验证了所提方法在离散型时空数据场景下预测性能的优越性。 （3）针对在时空维度上密集分布的连续型时空序列，基于上述预测方法框架，提出一种新颖的多步时空序列预测方法，一次性预测未来多个时间步的观测值，用于推断流量等密集分布的时空对象在未来长期的发展趋势。设计了一种基于图注意力网络的多步时空序列预测模型，能够自适应地捕获动态的空间相关性，同时利用带有门控的膨胀因果卷积来建模长时段的时间依赖关系。通过在真实的交通流量数据集上进行对比实验验证，所提方法在连续型时空数据场景下取得了良好表现，能够有效应对累积误差给连续型时空序列预测带来的挑战。
NETL