Decoupling Long- and Short-Term Patterns in Spatiotemporal Inference

要約

センサーは環境モニタリングの鍵であり、人間の意思決定を支援するためのリアルタイムの大気質情報の提供など、さまざまな面でスマートシティにメリットをもたらします。
ただし、大規模なセンサーを導入することはコストが高くつき、データ収集がまばらになるため現実的ではありません。
したがって、どのようにして詳細なデータ測定を取得するかが、長い間差し迫った問題となってきました。
この論文では、利用可能なセンサーからの観察に基づいてセンサー以外の場所の値を推測することを目的としています (時空間推論と呼ばれます)。この場合、データ間の時空間関係を把握することが重要な役割を果たします。
私たちの調査により、これまでの研究では探究されていなかった 2 つの重要な洞察が明らかになりました。
まず、データは長期と短期の両方の時間スケールで明確なパターンを示すため、個別に分析する必要があります。
第二に、短期パターンには空間次元と時間次元を同時に横断する関係など、より繊細な関係が含まれているのに対し、長期パターンには高レベルの時間傾向が含まれます。
これらの観察に基づいて、短期パターンと長期パターンのモデリングを分離することを提案します。
具体的には、短期パターンの時空を超えた関係を学習するために、共同時空間グラフ アテンション ネットワークを導入します。
さらに、勾配消失問題を軽減し、長期依存関係をモデル化するために、タイム スキップ戦略を備えたグラフリカレント ネットワークを提案します。
4 つの公開現実世界データセットに関する実験結果は、私たちの手法が長期と短期の両方の関係を効果的に捉え、既存の手法に対して最先端のパフォーマンスを達成することを示しています。

要約(オリジナル)

Sensors are the key to environmental monitoring, which impart benefits to smart cities in many aspects, such as providing real-time air quality information to assist human decision-making. However, it is impractical to deploy massive sensors due to the expensive costs, resulting in sparse data collection. Therefore, how to get fine-grained data measurement has long been a pressing issue. In this paper, we aim to infer values at non-sensor locations based on observations from available sensors (termed spatiotemporal inference), where capturing spatiotemporal relationships among the data plays a critical role. Our investigations reveal two significant insights that have not been explored by previous works. Firstly, data exhibits distinct patterns at both long- and short-term temporal scales, which should be analyzed separately. Secondly, short-term patterns contain more delicate relations including those across spatial and temporal dimensions simultaneously, while long-term patterns involve high-level temporal trends. Based on these observations, we propose to decouple the modeling of short-term and long-term patterns. Specifically, we introduce a joint spatiotemporal graph attention network to learn the relations across space and time for short-term patterns. Furthermore, we propose a graph recurrent network with a time skip strategy to alleviate the gradient vanishing problem and model the long-term dependencies. Experimental results on four public real-world datasets demonstrate that our method effectively captures both long- and short-term relations, achieving state-of-the-art performance against existing methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google