Heterogeneity-Informed Meta-Parameter Learning for Spatiotemporal Time Series Forecasting

在许多实际应用中，时空时间序列预测发挥着关键作用。尽管在这个领域取得了显著进展，但完全捕捉和利用时空异质性仍然是一个根本性的挑战。因此，我们提出了一种新颖的异质性信息元参数学习方案。具体来说，我们的方法通过学习空间和时间嵌入来隐含地捕捉时空异质性，这可以看作是一个聚类过程。然后，我们提出了一种新颖的时空元参数学习范式，从元参数池中学习时空特定的参数，这是由捕获的异质性所驱动的。基于这些思想，我们开发了一种基于异质性信息的时空元网络（HimNet），用于时空时间序列预测。在五个广泛使用的基准测试上进行的大量实验表明，我们的方法在展现出卓越的可解释性的同时，也实现了最先进的性能。我们的代码可在https://github.com/XDZhelheim/HimNet 上获得。

解决问题：论文旨在解决时空时间序列预测中未能完全捕捉和利用时空异质性的问题。

关键思路：通过学习时空嵌入来隐式捕捉时空异质性，进而提出了一种新的时空元参数学习方案，从元参数池中学习时空特定参数，从而构建一个新的模型HimNet。

亮点：论文的实验结果表明，该方法在五个广泛使用的基准测试中取得了最先进的性能，同时表现出更好的可解释性。论文提供了开源代码。

相关研究：最近的相关研究包括《Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting》和《Deep Spatio-Temporal Residual Networks for Citywide Crowd Flows Prediction》。