GeoMAN是一种基于多层次注意力的递归神经网络，用于预测地理传感器的未来读数，考虑了多传感器数据、气象信息和空间数据。模型包含多级注意力机制以捕捉动态时空依赖，并通过通用融合模块整合外部因素，如气象条件。主要应用于空气质量与水质量预测。实验表明，GeoMAN在预测任务中表现出色，验证了注意力机制和外部因素融合的有效性。
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；
最低0.47元/天 解锁文章
322
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
