论文部分内容阅读
随着物联网观测技术的发展和手机等智能设备的普及,每时每刻都有同时包含时间和空间信息的时空数据被不断采集。因来源广泛、数据量大,时空数据逐渐成为一种重要的数据类型,且在多个领域被广泛使用。在时空数据的应用中,人们通常需要利用历史一段时间的时空数据序列预测未来一段时间时空数据的变化趋势。由此可见,时空数据预测是时空数据分析应用中的重要方向,其核心是同时抽取时间和空间信息,并将其交汇融合后进行预测。然而现有方法针对时间维度的建模多基于循环神经网络,空间特征的抽象能力被极大限制;而针对空间维度的建模多基于卷积神经网络,无法对时间动态性变化建模。为了解决时间和空间同时建模的两难问题,本文将循环神经网络和卷积神经网络的优势相结合,通过级联卷积模块对不同时刻的空间特征进行不同数量的操作后再融合,在抽取空间特征的过程中保留时序关系,进而实现对时间相关性和空间相关性的同时建模。该网络首先运用普通卷积算子逐层抽取空间特征,然后使用级联卷积模块实现特征在时间维度的抽象融合,最终再通过普通卷积算子将高层特征映射回图像原始特征空间进而得到可视的图像。本文的主要创新点如下:·首创性地提出完全基于卷积算子的深度级联卷积网络来解决时空数据预测问题,摆脱了该问题对循环神经网络的依赖;·设计的级联卷积模块利用卷积算子的空间刻画能力和内部级联结构的时间变化表达能力,能够同时建模时间相关性和空间相关性;·以级联卷积模块为基础的深度级联卷积网络建立了预测时刻空间分布和输入序列空间分布间的直接连接,避免了类似循环神经网络的链式结构,不仅缓解了梯度消失的问题,而且实现了模型的并行训练。深度级联卷积网络不仅在时空数据预测的标准任务数字运动预测上取得约12%的相对精度提升,而且在交通流量预测和空气质量预测这两个具有挑战的现实场景中分别应用。实验结果表明深度级联卷积网络在预测结果准确性、模型训练时间及显存占用等多种指标上显著优于现有方法,证明了深度级联卷积网络在时空数据预测的真实场景中具有较好的应用价值和效果。