Spatio-temporal Early Prediction based on Multi-objective Reinforcement Learning

准确性和及时性在预测任务中通常是相互冲突的目标。过早的预测可能会产生更高的误报率，而延迟预测以收集更多信息可能会使它们太晚而无用。在野火、犯罪和交通拥堵等应用中，及时的预测对于保障人类生命和财产至关重要。因此，在准确性和及时性之间找到平衡至关重要。在本文中，我们提出了一种基于多目标强化学习的时空早期预测模型，可以根据偏好实施最优策略或根据少量样本推断偏好。该模型解决了两个主要挑战：1）提高早期预测的准确性；2）为确定每个区域最合适的预测时间提供最优策略。我们的方法在三个大规模真实世界数据集上展示了优异的性能，在早期时空预测任务中超越了现有方法。

该论文旨在解决预测准确性和及时性之间的冲突，并提出了一种基于多目标强化学习的时空早期预测模型，以提高早期预测的准确性并为每个区域确定最合适的预测时间。

该论文提出了一种基于多目标强化学习的模型，可以根据给定的偏好实现最优策略，或者根据少量样本推断偏好，以解决早期时空预测任务中的两个主要挑战。

该模型在三个大规模真实世界数据集上展现了卓越的性能，优于现有的早期时空预测方法。论文还介绍了实验设计和使用的数据集，并提供了开源代码。

最近的相关研究包括：1)基于深度学习的早期预测模型；2)基于强化学习的预测模型；3)基于时空建模的预测模型。