Scalable Spatiotemporal Prediction with Bayesian Neural Fields

这篇文章讨论了时空数据集在科学和商业智能应用中的广泛应用，如空气污染监测、疾病跟踪和云需求预测等。随着现代数据集的规模和复杂性不断增加，需要新的统计方法来捕捉复杂的时空动态并可扩展地处理大规模预测问题。本文提出了贝叶斯神经场（BayesNF），这是一个领域通用的统计模型，用于推断时空域上的丰富概率分布，可用于包括预测、插值和变异分析在内的数据分析任务。BayesNF将高容量函数估计的新型深度神经网络架构与分层贝叶斯推断相结合，以实现强大的不确定性量化。通过通过一系列平滑可微变换定义先验，使用随机梯度下降训练的变分学习代理在大规模数据上进行后验推断。我们将BayesNF与著名的统计和机器学习基线进行比较，展示了在包含数万到数十万个测量的气候和公共卫生数据集上的各种预测问题上的显着改进。本文附带了一个开源软件包（https://github.com/google/bayesnf），易于使用，并兼容JAX机器学习平台上的现代GPU和TPU加速器。

解决问题：本文旨在提出一种新的统计模型，用于处理具有时空特征的大规模数据集，如空气污染监测、疾病跟踪和云需求预测等。该模型需要具备足够的灵活性和可扩展性，以适应复杂的时空动态和大规模预测问题。

关键思路：BayesNF模型是一种基于深度神经网络和贝叶斯推断的统计模型，可以对时空域中的概率分布进行推断，用于预测、插值和空间变异性分析等数据分析任务。该模型通过一系列平滑可微分变换定义先验分布，通过变分学习和随机梯度下降训练学习代理来进行后验推断。

其他亮点：本文的实验结果表明，BayesNF模型在气候和公共卫生数据集等多种预测问题上都取得了显著的改进。此外，作者还提供了一个易于使用的开源软件包，并支持现代GPU和TPU加速器。

相关研究：最近的相关研究包括：'Deep Spatiotemporal Gaussian Process Regression for Traffic Speed Prediction'，'Deep Learning for Precipitation Nowcasting: A Benchmark and A New Model'等。