A Unified Model for Spatio-Temporal Prediction Queries with Arbitrary Modifiable Areal Units

空间-时间（ST）预测对于像拼车这样的城市基于位置的应用程序做出明智决策至关重要。然而，现有的ST模型通常需要区域划分作为先决条件，导致两个主要问题。首先，基于位置的服务需要针对各种目的的即兴区域，需要多个具有不同规模和区域的ST模型，这可能成本高昂。其次，不同的ST模型可能会产生冲突的输出，导致混淆的预测。在本文中，我们提出了One4All-ST框架，该框架可以使用一个模型对任意可修改面积单位进行ST预测。为了减少获取多尺度预测的成本，我们设计了一个带有分层空间建模和规模归一化模块的ST网络，以有效地和平等地学习多尺度表示。为了解决不同尺度上的预测不一致性，我们提出了一个动态规划方案来解决所制定的最优组合问题，通过理论分析最小化预测误差。此外，我们建议使用扩展的四叉树来索引最优组合，以便在实际在线场景中快速响应任意可修改面积单位。对两个真实数据集的广泛实验验证了One4All-ST在对任意可修改面积单位进行ST预测方面的效率和有效性。本工作的源代码和数据可在https://github.com/uctb/One4All-ST上获得。

解决问题：论文提出了One4All-ST框架，旨在通过一个模型进行任意可修改区域单位的ST预测，以解决现有ST模型需要区域划分的问题。同时，通过动态规划方案来解决不同规模下的预测不一致性问题。

关键思路：One4All-ST框架包含多层次的空间建模和规模归一化模块，以有效学习多尺度表示。使用动态规划方案来解决不同规模下的预测不一致性问题。使用扩展四叉树来索引最优组合，以便在实际在线场景中快速响应任意可修改区域单位。

其他亮点：论文在两个真实数据集上进行了广泛的实验验证，证明了One4All-ST在任意可修改区域单位的ST预测方面的效率和有效性。论文提供了开源代码和数据。值得深入研究的工作包括如何进一步提高预测准确性和处理更大规模的数据集。

相关研究：在这个领域中，最近的相关研究包括《DeepST: A Spatio-Temporal Neural Network for Traffic Prediction Using Heterogeneous Data》、《ST-ResNet: Deep Spatio-temporal Residual Networks for Urban Traffic Prediction》等。