PriSTI是一种基于增强先验信息的时空插补条件扩散框架，适用于处理时空数据中的缺失值。它通过条件特征提取模块和噪声预测模块，利用时空全局相关性和地理关系进行插补，有效地解决了误差累积问题。在不同数据集和缺失模式下，PriSTI表现出优越的性能，尤其在高缺失率和传感器故障场景中。
PriSTI: A Conditional Diffusion Framework for Spatiotemporal Imputation on Variational Point Processes
引言
时空数据挖掘在空气质量监测、人群流量建模、气候预测等方面发挥着重要作用。然而，现实场景中原始收集的时空数据通常由于传感器故障或传输损耗而不完整。时空插补旨在根据观测值及其潜在的时空依赖关系对缺失值进行插补。现有的主流模型对缺失值进行自回归插补，存在误差累积问题。扩散模型作为新兴的强大生成模型，可用于以观测值为条件的缺失值插补，避免从不准确的历史插补中推断缺失值。然而，将扩散模型应用于时空填充时，条件信息的构建和利用是不可避免的挑战。为解决上述问题，本文提出一种基于增强先验信息建模的条件扩散时空插补框架PriSTI。首先，该框架设计了一个条件特征提取模块，从条件信息中提取粗略但有效的时空依赖作为全局上下文先验信息。然后，噪声估计模块将随机噪声转换为真实值，
订阅专栏 解锁全文
扫一扫
540
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
