STPC-Net: Learn Massive Geo-Sensory Data as Spatio-Temporal Point Clouds

目前，大量传感器安装在移动或固定平台上，不断产生带有地理标记和时间戳的读数(即地理传感数据)，这些数据包含关于周围环境的丰富信息。这些数据具有不规则的空间和时间坐标。为了表示地理传感数据，使用时间序列、网格图像和图形信号进行了广泛的研究。然而，目前仍缺乏一种既能描述移动和静止地学传感数据，又不会在空间和时间维度上丢失信息的离散化表示方法。本文提出将海量地理传感数据表示为时空点云(STPC)，并提出一种用于处理STPC的新型深度神经网络STPC- net。STPC利用了原始的不规则时空坐标，而STPC- net从STPC中捕获了传感器内和传感器间的相关性。通过这种方式，STPC- net学习了STPC的关键信息，克服了数据不规则性方面的挑战。使用真实数据集进行的实验表明，STPC-Net在移动和静止的地理传感数据上的不同任务中都取得了最先进的性能

 我们观察到地球传感数据的以下基本特征。1)点数据。传感器的尺寸很小，因此它们的读数通常被建模为点。2)不规则。传感器的读数可能分布在任意时空坐标上，而不是在栅格化的均匀时空网格上。3)相互依存。传感器读数在空间和时间上相互关联。4)稀疏。由于成本等限制，传感器的分布通常是稀疏的

框架：

 在点分类的STPC-Net中，第二个卷积模块与第一个卷积模块相同，用于在输入点上提取更高层次的局部特征。然后，组合模块聚合局部和全局特征，详情将在第四节- c节中介绍。最后，MLP网络为N个输入点中的每个输出K个分数。