ARFA: An Asymmetric Receptive Field Autoencoder Model for Spatiotemporal Prediction

要約

時空間予測は、歴史的文脈から学習したパラダイムによって将来のシーケンスを生成することを目的としています。
交通流予測や天気予報など、多くの分野で不可欠です。
最近、この分野の研究は主にオートエンコーダ アーキテクチャに基づくディープ ニューラル ネットワークによって推進されています。
ただし、既存の方法では一般に、同一の受容野サイズを持つオートエンコーダー アーキテクチャが採用されています。
この問題に対処するために、我々は、エンコーダーとデコーダーの異なる機能に合わせて調整された対応するサイズの受容野モジュールを導入する非対称受容野オートエンコーダー (ARFA) モデルを提案します。
エンコーダーでは、グローバルな時空間特徴抽出のための大規模なカーネル モジュールを提供します。
デコーダでは、局所的な時空間情報を再構成するための小さなカーネル モジュールを開発します。
実験結果は、ARFA が一般的なデータセットに対して常に最先端のパフォーマンスを達成していることを示しています。
さらに、領域内の気象データの不足に対処するために、降水量予測用の大規模レーダー エコー データセットである RainBench を構築します。

要約(オリジナル)

Spatiotemporal prediction aims to generate future sequences by paradigms learned from historical contexts. It is essential in numerous domains, such as traffic flow prediction and weather forecasting. Recently, research in this field has been predominantly driven by deep neural networks based on autoencoder architectures. However, existing methods commonly adopt autoencoder architectures with identical receptive field sizes. To address this issue, we propose an Asymmetric Receptive Field Autoencoder (ARFA) model, which introduces corresponding sizes of receptive field modules tailored to the distinct functionalities of the encoder and decoder. In the encoder, we present a large kernel module for global spatiotemporal feature extraction. In the decoder, we develop a small kernel module for local spatiotemporal information reconstruction. Experimental results demonstrate that ARFA consistently achieves state-of-the-art performance on popular datasets. Additionally, we construct the RainBench, a large-scale radar echo dataset for precipitation prediction, to address the scarcity of meteorological data in the domain.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google