论文精读
文章平均质量分 95
数据挖掘,机器学习等论文笔记
STLearner
欢迎关注公众号“时空探索之旅”!
展开
-
论文精读 | 2024 [ICLR] TimeMixer: 可分解多尺度融合的时间序列预测
TimeMixer模型针对时间序列预测的复杂性提出了一个多尺度混合架构,旨在利用过去可分解混合(PDM)模块提取过去的关键信息,并通过未来多预测器混合(FMM)模块进行未来序列的预测。具体来说,TimeMixer首先通过平均下采样生成多尺度观测,然后PDM采用可分解设计更好地处理季节性和趋势变化的不同属性,通过在精细到粗略和粗略到精细方向上分别混合多尺度季节性和趋势组件。FMM在预测阶段集成多个预测器,利用多尺度观测中的互补预测能力。原创 2024-03-25 19:15:08 · 1921 阅读 · 1 评论 -
2023 [VLDB] 重新审视路网的行程时间估计:异构性、邻近性、周期性和动态性
本文从异质性(heterogeneity)、邻近性(proximity)、周期性(periodicity)和动态性(dynamicty)四个方面对路网中的路径行程时间估计问题进行了研究,旨在通过捕获和利用时空特征来提高其准确性。原创 2024-02-01 12:03:40 · 790 阅读 · 0 评论 -
# 【综述】2023 [ITSC] 数据驱动的行程时间估计方法
行程时间估计是智能交通系统的重要组成部分,影响着导航、叫车和路线规划等各种应用。传统的行程时间估计方法依赖于主观判断、有限的数据源和简单的建模技术。由于数据挖掘和机器学习的最新进展,许多数据驱动的方法被用来解决传统方案中出现的问题,并表现出卓越的性能。在本文中,我们对数据驱动的出行时间估计方法进行了全面的调查,包括应用场景、时空建模方法和数据表示学习技术。为了支持和促进该领域的进一步研究,本文提供了有价值的开放数据源和源代码列表,为研究人员未来的努力奠定了坚实的基础。原创 2023-11-12 22:52:47 · 167 阅读 · 0 评论 -
2022 [IJCAI] MetaER-TTE:用于途中行程时间估计的自适应元学习模型
途中行程时间估计(ER-TTE)旨在预测剩余路线的行程时间。由于行程的已行驶部分和剩余部分通常具有一些共同特征,例如行驶速度,因此需要探索这些特征以通过有效的适应来提高性能。由于行进的部分轨迹中的采样点很少,这仍然面临着数据稀疏的严重问题。由于具有不同上下文信息的轨迹往往具有不同的特征,现有的 ER-TTE 元学习方法不能很好地拟合每个轨迹,因为它对所有轨迹使用相同的模型。为此,本文提出了一种新的自适应元学习模型,称为 MetaER-TTE。原创 2023-11-05 21:15:55 · 79 阅读 · 0 评论