異質(zhì)分布稀疏時(shí)空數(shù)據(jù)重構(gòu)與預(yù)測(cè)

目錄
“博士后文庫(kù)”序言
前言
第1章 緒論 1
1.1 研究背景和意義 1
1.2 國(guó)內(nèi)外研究現(xiàn)狀 3
1.2.1 時(shí)空數(shù)據(jù)的統(tǒng)計(jì)基礎(chǔ) 3
1.2.2 缺失時(shí)空數(shù)據(jù)插值 5
1.2.3 稀疏時(shí)空數(shù)據(jù)重構(gòu) 9
1.2.4 時(shí)空數(shù)據(jù)預(yù)測(cè) 13
1.3 科學(xué)問題的提出 22
1.4 研究?jī)?nèi)容 23
1.4.1 時(shí)空缺失數(shù)據(jù)的漸進(jìn)式插值方法 24
1.4.2 顧及空間異質(zhì)性的集成空間推斷方法 24
1.4.3 輕量級(jí)稀疏時(shí)空數(shù)據(jù)重構(gòu)方法 25
1.4.4 顧及時(shí)空異質(zhì)性的動(dòng)態(tài)預(yù)測(cè)模型 25
1.4.5 基于多任務(wù)多視圖的時(shí)空預(yù)測(cè)模型 25
1.4.6 可解釋的時(shí)空注意力神經(jīng)常微分方程預(yù)測(cè)模型 25
第2章 時(shí)空缺失數(shù)據(jù)的漸進(jìn)式插值方法 27
2.1 引言 27
2.2 模型框架 27
2.3 問題定義 29
2.4 粗粒度插值 29
2.5 細(xì)粒度插值 32
2.5.1 設(shè)定滑動(dòng)窗口 33
2.5.2 細(xì)粒度空間維度插值 35
2.5.3 細(xì)粒度時(shí)間維度插值 38
2.6 時(shí)空整合 40
2.7 實(shí)驗(yàn)設(shè)計(jì)與模型驗(yàn)證 43
2.7.1 實(shí)驗(yàn)設(shè)計(jì) 43
2.7.2 插值精度比較 46
2.7.3 影響因素分析 48
2.8 本章小結(jié) 51
第3章 顧及空間異質(zhì)性的集成空間推斷方法 52
3.1 引言 52
3.2 模型框架 52
3.3 基學(xué)習(xí)器模型設(shè)計(jì) 53
3.3.1 地理加權(quán)回歸模型 53
3.3.2 地理*優(yōu)相似度模型 54
3.3.3 隨機(jī)森林模型 55
3.4 集成策略設(shè)計(jì) 56
3.4.1 顧及空間異質(zhì)性的集成策略設(shè)計(jì) 56
3.4.2 空間加權(quán)集成神經(jīng)網(wǎng)絡(luò)設(shè)計(jì) 56
3.5 顧及地理空間異質(zhì)性的集成學(xué)習(xí)訓(xùn)練框架 57
3.6 案例1：中國(guó)PM2.5濃度空間推斷 58
3.6.1 實(shí)驗(yàn)設(shè)計(jì) 58
3.6.2 推斷精度定量分析 61
3.6.3 推斷精度定性分析 63
3.6.4 基學(xué)習(xí)器對(duì)推斷精度的作用分析 64
3.7 案例2：中國(guó)香港滑坡易發(fā)性空間推斷 65
3.7.1 實(shí)驗(yàn)設(shè)計(jì) 65
3.7.2 推斷精度對(duì)比 68
3.8 本章小結(jié) 69
第4章 輕量級(jí)稀疏時(shí)空數(shù)據(jù)重構(gòu)方法 71
4.1 引言 71
4.2 模型框架 71
4.3 時(shí)空表示 72
4.4 改進(jìn)的 SES 算法 72
4.5 改進(jìn)的 IDW 算法 74
4.6 極限學(xué)習(xí)機(jī) 75
4.7 實(shí)驗(yàn)設(shè)計(jì)與模型驗(yàn)證 77
4.7.1 實(shí)驗(yàn)設(shè)計(jì) 77
4.7.2 重構(gòu)精度比較 81
4.7.3 時(shí)空依賴性的影響 83
4.7.4 統(tǒng)計(jì)顯著性檢驗(yàn) 84
4.7.5 計(jì)算復(fù)雜度和效率分析 85
4.8 本章小結(jié) 86
第5章 顧及時(shí)空異質(zhì)性的動(dòng)態(tài)預(yù)測(cè)模型 88
5.1 引言 88
5.2 模型框架 88
5.3 時(shí)間非平穩(wěn)性建模 90
5.3.1 特征表示 90
5.3.2 道路網(wǎng)絡(luò)交通模式識(shí)別 90
5.3.3 細(xì)粒度時(shí)間區(qū)間剖分 93
5.4 空間異質(zhì)性建模 95
5.4.1 自適應(yīng)的時(shí)空狀態(tài)矩陣 96
5.4.2 自適應(yīng)的時(shí)空權(quán)重 99
5.4.3 自適應(yīng)的時(shí)空參數(shù) 100
5.4.4 預(yù)測(cè)函數(shù) 101
5.5 實(shí)驗(yàn)設(shè)計(jì)與模型驗(yàn)證 102
5.5.1 實(shí)驗(yàn)設(shè)計(jì) 102
5.5.2 交通模式確定和時(shí)間區(qū)間劃分 106
5.5.3 動(dòng)態(tài)性和異質(zhì)性檢驗(yàn) 109
5.5.4 預(yù)測(cè)精度比較 112
5.5.5 擴(kuò)展性評(píng)估 116
5.6 討論 117
5.7 本章小結(jié) 118
第6章 基于多任務(wù)多視圖的時(shí)空預(yù)測(cè)模型 119
6.1 引言 119
6.2 模型框架 119
6.3 構(gòu)造時(shí)空立方體 120
6.4 多核學(xué)習(xí)方法 122
6.5 多任務(wù)多視圖學(xué)習(xí)方法 123
6.6 粒子群優(yōu)化算法 128
6.7 實(shí)驗(yàn)設(shè)計(jì)與模型驗(yàn)證 130
6.7.1 實(shí)驗(yàn)設(shè)計(jì) 130
6.7.2 預(yù)測(cè)精度比較 133
6.7.3 影響因素分析 134
6.7.4 訓(xùn)練時(shí)間評(píng)估 136
6.8 討論 137
6.9 本章小結(jié) 138
第7章 可解釋的時(shí)空注意力神經(jīng)常微分方程預(yù)測(cè)模型 139
7.1 引言 139
7.2 預(yù)備知識(shí) 139
7.2.1 問題定義 139
7.2.2 神經(jīng)常微分方程 141
7.3 模型框架 141
7.4 STA-ODE的構(gòu)建 142
7.4.1 隱藏狀態(tài)導(dǎo)數(shù)的參數(shù)化 143
7.4.2 隱藏狀態(tài)的迭代解 144
7.4.3 多個(gè)隱藏狀態(tài)的融合 145
7.5 STA-ODE的優(yōu)化 147
7.6 算法與訓(xùn)練 148
7.7 實(shí)驗(yàn)設(shè)計(jì)與模型驗(yàn)證 149
7.7.1 實(shí)驗(yàn)設(shè)計(jì) 149
7.7.2 基準(zhǔn)模型對(duì)比 151
7.7.3 預(yù)測(cè)結(jié)果的定性分析 152
7.7.4 不同組件對(duì)預(yù)測(cè)結(jié)果的影響作用 153
7.7.5 損失函數(shù)對(duì)預(yù)測(cè)結(jié)果的影響作用 154
7.7.6 模型可解釋性分析 154
7.8 本章小結(jié) 156
第8章 總結(jié)與展望 157
8.1 主要研究成果 157
8.2 主要?jiǎng)?chuàng)新點(diǎn) 160
8.3 研究展望 161
參考文獻(xiàn) 164
編后記 191