異質(zhì)分布稀疏時空數(shù)據(jù)重構(gòu)與預測

目錄
“博士后文庫”序言
前言
第1章 緒論 1
1.1 研究背景和意義 1
1.2 國內(nèi)外研究現(xiàn)狀 3
1.2.1 時空數(shù)據(jù)的統(tǒng)計基礎(chǔ) 3
1.2.2 缺失時空數(shù)據(jù)插值 5
1.2.3 稀疏時空數(shù)據(jù)重構(gòu) 9
1.2.4 時空數(shù)據(jù)預測 13
1.3 科學問題的提出 22
1.4 研究內(nèi)容 23
1.4.1 時空缺失數(shù)據(jù)的漸進式插值方法 24
1.4.2 顧及空間異質(zhì)性的集成空間推斷方法 24
1.4.3 輕量級稀疏時空數(shù)據(jù)重構(gòu)方法 25
1.4.4 顧及時空異質(zhì)性的動態(tài)預測模型 25
1.4.5 基于多任務多視圖的時空預測模型 25
1.4.6 可解釋的時空注意力神經(jīng)常微分方程預測模型 25
第2章 時空缺失數(shù)據(jù)的漸進式插值方法 27
2.1 引言 27
2.2 模型框架 27
2.3 問題定義 29
2.4 粗粒度插值 29
2.5 細粒度插值 32
2.5.1 設定滑動窗口 33
2.5.2 細粒度空間維度插值 35
2.5.3 細粒度時間維度插值 38
2.6 時空整合 40
2.7 實驗設計與模型驗證 43
2.7.1 實驗設計 43
2.7.2 插值精度比較 46
2.7.3 影響因素分析 48
2.8 本章小結(jié) 51
第3章 顧及空間異質(zhì)性的集成空間推斷方法 52
3.1 引言 52
3.2 模型框架 52
3.3 基學習器模型設計 53
3.3.1 地理加權(quán)回歸模型 53
3.3.2 地理*優(yōu)相似度模型 54
3.3.3 隨機森林模型 55
3.4 集成策略設計 56
3.4.1 顧及空間異質(zhì)性的集成策略設計 56
3.4.2 空間加權(quán)集成神經(jīng)網(wǎng)絡設計 56
3.5 顧及地理空間異質(zhì)性的集成學習訓練框架 57
3.6 案例1：中國PM2.5濃度空間推斷 58
3.6.1 實驗設計 58
3.6.2 推斷精度定量分析 61
3.6.3 推斷精度定性分析 63
3.6.4 基學習器對推斷精度的作用分析 64
3.7 案例2：中國香港滑坡易發(fā)性空間推斷 65
3.7.1 實驗設計 65
3.7.2 推斷精度對比 68
3.8 本章小結(jié) 69
第4章 輕量級稀疏時空數(shù)據(jù)重構(gòu)方法 71
4.1 引言 71
4.2 模型框架 71
4.3 時空表示 72
4.4 改進的 SES 算法 72
4.5 改進的 IDW 算法 74
4.6 極限學習機 75
4.7 實驗設計與模型驗證 77
4.7.1 實驗設計 77
4.7.2 重構(gòu)精度比較 81
4.7.3 時空依賴性的影響 83
4.7.4 統(tǒng)計顯著性檢驗 84
4.7.5 計算復雜度和效率分析 85
4.8 本章小結(jié) 86
第5章 顧及時空異質(zhì)性的動態(tài)預測模型 88
5.1 引言 88
5.2 模型框架 88
5.3 時間非平穩(wěn)性建模 90
5.3.1 特征表示 90
5.3.2 道路網(wǎng)絡交通模式識別 90
5.3.3 細粒度時間區(qū)間剖分 93
5.4 空間異質(zhì)性建模 95
5.4.1 自適應的時空狀態(tài)矩陣 96
5.4.2 自適應的時空權(quán)重 99
5.4.3 自適應的時空參數(shù) 100
5.4.4 預測函數(shù) 101
5.5 實驗設計與模型驗證 102
5.5.1 實驗設計 102
5.5.2 交通模式確定和時間區(qū)間劃分 106
5.5.3 動態(tài)性和異質(zhì)性檢驗 109
5.5.4 預測精度比較 112
5.5.5 擴展性評估 116
5.6 討論 117
5.7 本章小結(jié) 118
第6章 基于多任務多視圖的時空預測模型 119
6.1 引言 119
6.2 模型框架 119
6.3 構(gòu)造時空立方體 120
6.4 多核學習方法 122
6.5 多任務多視圖學習方法 123
6.6 粒子群優(yōu)化算法 128
6.7 實驗設計與模型驗證 130
6.7.1 實驗設計 130
6.7.2 預測精度比較 133
6.7.3 影響因素分析 134
6.7.4 訓練時間評估 136
6.8 討論 137
6.9 本章小結(jié) 138
第7章 可解釋的時空注意力神經(jīng)常微分方程預測模型 139
7.1 引言 139
7.2 預備知識 139
7.2.1 問題定義 139
7.2.2 神經(jīng)常微分方程 141
7.3 模型框架 141
7.4 STA-ODE的構(gòu)建 142
7.4.1 隱藏狀態(tài)導數(shù)的參數(shù)化 143
7.4.2 隱藏狀態(tài)的迭代解 144
7.4.3 多個隱藏狀態(tài)的融合 145
7.5 STA-ODE的優(yōu)化 147
7.6 算法與訓練 148
7.7 實驗設計與模型驗證 149
7.7.1 實驗設計 149
7.7.2 基準模型對比 151
7.7.3 預測結(jié)果的定性分析 152
7.7.4 不同組件對預測結(jié)果的影響作用 153
7.7.5 損失函數(shù)對預測結(jié)果的影響作用 154
7.7.6 模型可解釋性分析 154
7.8 本章小結(jié) 156
第8章 總結(jié)與展望 157
8.1 主要研究成果 157
8.2 主要創(chuàng)新點 160
8.3 研究展望 161
參考文獻 164
編后記 191