GeoMAN: Multi-level Attention Networks for Geo-sensory Time Series Prediction
摘要:使用一个考虑多传感器读数、气象数据和空间数据的,基于多层次注意的递归神经网络,预测未来几个小时内的地理传感器读数。模型包括两个方面,1) 一种动态时空依赖模型的多级注意力机制 2)一种融合不同领域外部因素的通用融合模块。主要应用在空气质量和水质量的预测。
引言
预测时空传感器读数的困难在于:
1、动态时空相关性
多个传感器——不同传感器的空间关系是动态的;空间传感器读数时间序列随位置的变化呈非线性变化
单个传感器——读数经常呈周期性变化,其随时空的变化而不同;读数具有突变性
2、外部因素影响如气象、土地利用情况等等
主要贡献:多级注意力机制;融合外部因素机制;
模型
主要是一个Encoder-Decoder模型,encoder中空间局部和全局的attention层用来传感器读数序列,随后得到的预测值再通过decoder中的时间attention层进行处理。
标记方法:
Ng 个传感器,每一个传感器都产生 种时间序列(可以理解为测量了 种观测值),设定其中一种为目标观测值,其他为特征值。
设置一个长度为 T 的时间周期,则表示所有传感器目标观测值在T时段的读数
表示所有传感器目标特征值在T时段的读数。 是特征空间角度的描述,即第 个传感器的第 个local特征向量的时间序列;