D-GAN用于时空预测的深度生成对抗网络
出租车需求、交通流、区域降雨等城市应用的时空（ST）数据具有内在的随机性和不可预测性。最近，提出了基于深度学习的ST预测模型来学习数据的ST特征。然后，这是非常具有挑战性的：（1）充分学习复杂和非线性的时空关系；（2）对时空数据的频繁变化建模，时空数据是动态的，随时间变化（不规律），而且被许多因素影响，如变化的天气，交通事故，交通管制，PoI等；（3）有许多复杂的外部因素能够影响预测的准确性，而且并不能将他们准确的列出来。为了解决以上问题，本文我们提出了一个新颖的基于深度对抗网络的模型（D-GAN），通过通过无监督学习时空特征表示来更准确地进行时空预测。D-GAN模型采用基础的GAN的结构，学习数据的生成和变化推理。D-GAN包含两部分：（1）一个深度时空特征学习网络通过隐形分布建模来对时空关系，语义变化，数据中变化的且不规则的潜在因素建模；（2）一个聚合模块，用于整合外部因素来更好的推断。据我们所知，以前没有任何工作通过深度隐式生成模型和无监督的方式研究时空预测问题。在两个真实数据集上进行的大量实验表明，该方法比传统的基于深度学习的预测方法获得了更准确的结果。
- 2022-02-06
- 阅读80
- 下载0
- 6页
- docx
