出租车需求、交通流、区域降雨等城市应用的时空(ST)数据具有内在的随机性和不可预测性。最近，提出了基于深度学习的ST预测模型来学习数据的ST特征。然后，这是非常具有挑战性的：（1）充分学习复杂和非线性的时空关系；（2）对时空数据的频繁变化建模，时空数据是动态的，随时间变化（不规律），而且被许多因素影响，如变化的天气，交通事故，交通管制，PoI等；（3）有许多复杂的外部因素能够影响预测的准确性，而且并不能将他们准确的列出来。为了解决以上问题，本文提出了一个新颖的基于深度对抗网络的模型（D-GAN），通过通过无监督学习时空特征表示来更准确地进行时空预测。D-GAN模型采用基础的GAN的结构，学习数据的生成和变化推理。D-GAN包含两部分：（1）一个深度时空特征学习网络通过隐形分布建模来对时空关系，语义变化，数据中变化的且不规则的潜在因素建模；（2）一个聚合模块，用于整合外部因素来更好的推断。

论文链接：D-GAN: Deep Generative Adversarial Nets for SpatioTemporal Prediction

内容中包含的图片若涉及版权问题，请及时与我们联系删除