文献类型：期刊文章

作　　者：张建晋[1,2,3] 王韫博[1,2,3] 龙明盛[1,2,3] 王建民[1,2,3] 王海峰[2,4]

ZHANG Jian-Jin;WANG Yun-Bo;LONG Ming-Sheng;WANG Jian-Min;WANG Hai-Feng(School of Software,Tsinghua University,Beijing 100084;National Engineering Lab for Big Data Software,Beijing 100084;Beijing National Research Center for Information Science and Technology BNRist,Tsinghua University,Beijing 100084;Baidu Inc.,Beijing 100085)

机构地区：[1]清华大学软件学院,北京100084 [2]大数据系统软件国家工程实验室,北京100084 [3]清华大学北京信息科学与技术国家研究中心,北京100084 [4]百度公司,北京100085

出　　处：《计算机学报》

基　　金：国家自然科学基金项目(61772299,71690231,61672313)资助。

年　　份：2020

卷　　号：43

期　　号：2

起止页码：286-302

语　　种：中文

收录情况：BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、IC、JST、MR、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：实际生活中有很多带有季节特征的时空数据,在城市计算领域分布尤广,例如交通流量数据便具有较为明显的以天或周为周期的统计学特征.如何有效利用这种季节特征,如何捕捉历史观测与待预测数据之间的相关性,成为了预测此类时空数据未来变化趋势的关键.传统时序建模方法将时序数据分解为多个信号分量,并使用线性模型来进行预测.此类方法具有较强的理论基础,但对于数据的平稳性要求过于严格,难以预测趋势信息复杂的数据,更不适用于高维的时空数据.然而在真实场景下,季节性时空数据的周期长短可变,且不同周期的对应关系往往并不固定,存在时间、空间上的模式变化与偏移,很难作为理想的周期信号以传统时序方法建模.相比之下,深度神经网络建模能力更强,可拟合更为复杂的数据.近几年有许多工作研究了如何利用卷积神经网络和循环神经网络来处理时空数据,也有一些工作讨论了如何有效利用周期性信息提升预测的准确性.但深度神经网络受困于梯度消失和误差累积,难以捕捉时序数据中的长时间依赖,且少有方法讨论如何在深度神经网络中有效建模上述具有弹性周期对应关系的时空信号.本文针对真实场景下季节性时空数据的上述问题,给出具有弹性周期对应关系的时空数据预测问题的形式化定义,并提出了一种新的季节性时空数据预测模型.该模型包含季节网络、趋势网络、时空注意力模块三个部分,可捕捉短期数据中的临近变化趋势和长期数据中隐含的季节性趋势,并广泛考虑历史周期中的每个时空元素对未来预测值的影响.为了解决深度循环网络难以捕捉时序数据中的长时间依赖的问题,本文提出一种新的循环卷积记忆单元,该单元将上述模块融合于一个可端到端训练的神经网络中,一方面实现了时间和空间信息统一建模,另一方面

关 键 词：深度学习  注意力模型 时空预测  城市计算  时空数据

分 类 号：TP18]