Physics-Informed Long-Sequence Forecasting From Multi-Resolution Spatiotemporal Data

不同分辨率的时空数据在区域或时间窗口上的聚合显示了不同分辨率下的异构模式和动态性。同时，多分辨率特性提供了丰富的上下文信息，这对于有效的长序列预测至关重要。在实际情况中，这种跨分辨率信息的重要性更加重要，细粒度数据通常是通过比粗粒度数据成本更低、质量更低的方法收集的。然而，现有工作主要针对单分辨率数据，不能直接应用于充分利用多分辨率数据中的上述额外信息。本文提出时空库普曼多分辨率网络(ST-KMRN)，一种基于物理学的学习框架，用于从多分辨率时空数据中进行长序列预测。该方法联合建模在多种分辨率下聚合的数据，并使用自注意力机制捕获分辨率间的动态变化。我们还提出了各分辨率之间的下采样和上采样模块，以进一步加强多个分辨率数据之间的联系。此外，我们利用基于Koopman理论的物理模块增强了分辨率内动力学的建模。实验结果表明，在没有对多分辨率数据进行专门设计的情况下，我们提出的方法在长序列预测任务上取得了最好的性能。

阅读者总结：这篇论文最大的创新点时考虑了时间序列的多时间粒度问题，但是整体感觉文中是在建立一个复杂模型。在将多元时间序列构建成图，整体上新颖点并不是很明显，只是模型显得比较复杂。

面对的问题：为了弥合多分辨率时空数据和长序列预测之间的差距，所提出的模型必须解决两个方面的挑战:(1)分辨率间建模。该模型必须能够捕捉各分辨率之间的数据交互，以便充分利用它们进行预测。(2) Intra-resolution建模。模型应该有效地从每个分辨率的短序列或长序列中提取代表动态的信息。

 

方法：

本文提出时空库普曼多分辨率网络(ST-KMRN)来应对这两个挑战。为了更好地进行分辨率间建模，利用自注意力机制在所有时间分辨率下融合和交流输入数据的表示。然后，将该模型与所有空间和时间分辨率上的损失预测联合训练。进一步在不同时间分辨率的预测结果之间构建下采样和上采样模块，以增强分辨率间的联系。为改进分辨率内建模，将基于库普曼理论的动态系统建模与基于深度学习的预测模块相结合，以进行更有原则的动力学建模。推导的Koopman矩阵同时提供了不同分辨率下的异构动力学解释。 

 

 Physics-Informed Modeling of Intra-Resolution Dynamics

本文介绍了提出的基于物理的分辨率内动力学建模，其中基于神经网络的模块和基于库普曼理论的模块相结合，用于在每个时间分辨率中进行编码和预测 

1）Neural Network Based Module (ST-Encoder and ST-Decoder) 

 

 Inter-Resolution Dynamics Modeling

 Upsampling and Downsampling Modules

Weighted Summation of Forecasting Results 

 

 Loss Function