题目:AutoST: Efficient Neural Architecture Search for Spatio-Temporal Prediction
文章作者信息:
预览摘要:
时空(ST)预测(如人群流预测)在城市规划、智能交通和公共安全等一系列智慧城市应用中具有重要意义。近年来,人们提出了许多深度神经网络模型来进行准确的预测。然而,手动设计神经网络需要花费大量的精力和时空领域的专业知识。如何自动建立一个通用的神经网络来处理城市中的各种时空预测任务?
在本文中,作者研究了时空预测任务的神经网络结构搜索(NAS),并提出了一种有效的时空神经网络结构搜索方法,名为AutoST。本文设计了一种新的时空域搜索空间,该空间由两类分量组成:(i)在每一层进行可选的卷积运算,自动提取多范围的时空相关性;(ii)可学习跳过层之间的连接来动态融合低级和高级的时空特征。
本文在出租车流和人流等四个真实时空预测任务上进行了大量的实验,结果表明所学的网络架构可以显著提高时空神经网络中代表性模型的性能。此外,文中提出的高效NAS方法的搜索速度比最先进的NAS方法快8-10倍,证明了AutoST的效率和有效性。
主要贡献:
本篇文章的主要贡献可以总结为以下三点:
(1)提出了一种新的时空预测模型AutoST,该模型引入了神经网络结构搜索技术来动态捕捉空间相关性