PriSTI: A Conditional Diffusion Framework for Spatiotemporal Imputation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。时空填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填补。以往的主流模型对缺失值进行自回归填补,存在误差累积问题。作为新兴的强大生成模型,扩散概率模型可用于以观测为条件的缺失值填补,避免从不准确的历史填补中推断缺失值。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建模的条件扩散时空填补框架PriSTI。该框架提供了一个条件特征提取模块,首先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;然后,噪声估计模块将随机噪声转换为真实值,通过条件特征计算时空注意力权重,并考虑地理关系;PriSTI在不同真实时空数据的各种缺失模式下均优于现有的填补方法,并能有效处理高缺失率和传感器故障等场景。
METHODOLOGY
PriSTI采用条件扩散框架,利用时空全局相关性和地理位置关系进行填补。针对扩散模型修复时条件信息构建和利用困难的问题,设计了一种专门的噪声预测模型来增强和提取条件特征。在本节中,我们首先介绍扩散模型如何应用于时空填补,然后介绍噪声预测模型的细节结构,这是扩散模型成功的关键。
A. Diffusion Model for Spatiotemporal Imputation
B. Design of Noise Prediction Model
总结:这篇论文主要是扩散模型在时空序列数据上的应用,类似于GAN模型在时空数据上实现
1. 主要是改变扩散模型,找到针对时空数据的问题,然后改动模型适配对应的情况