Multi-Modality Spatio-Temporal Forecasting via Self-Supervised Learning

这篇文章讨论了多模态时空数据(MoST)的预测问题，这种数据包括多种模态，例如交通需求和空气质量评估等。尽管近年来ST模型取得了显著进展，但仍需强调利用不同模态的信息潜力。MoST预测更具挑战性，因为它具有高维和复杂的内部结构以及由时间、空间和模态变化引起的动态异质性。本研究提出了一种新的MoST学习框架，即自监督学习(MoSSL)，旨在从时间、空间和模态角度揭示潜在模式，同时量化动态异质性。在两个真实的MoST数据集上的实验结果验证了我们的方法相对于现有基线的优越性。模型实现可在https://github.com/beginner-sketch/MoSSL找到。

该论文旨在解决多模态时空数据预测的问题，这是一个新的问题。

该论文提出了一种新的自监督学习框架MoSSL，可以从时间、空间和模态角度揭示潜在的模式，并量化动态异质性。

该论文在两个真实世界的数据集上进行了实验，证明了该方法优于现有的基准方法。该论文还提供了代码实现。

在最近的相关研究中，也有一些关于多模态时空数据预测的研究，如'Multi-Modal Transportation Demand Prediction with Graph Convolutional Networks'和'Multi-Modal Prediction of Urban Air Quality with Missing Sensor Data Imputation'。