Рамки обучения графовой структуры для улучшения заполнения пространственно-временных данных с помощью многомасштабного графового обучения

Обработка пространственно-временных данных

Обработка пространственно-временных данных включает анализ информации, собранной во времени и пространстве, часто с помощью датчиков. Эти данные важны для выявления закономерностей и прогнозирования. Однако отсутствие данных создает проблемы и усложняет анализ.

Проблемы с отсутствующими значениями

Недостающие значения могут привести к несоответствиям в наборе данных, что затрудняет анализ. Связи между характеристиками, такими как экологические или физические факторы, могут быть сложными и зависеть от географического контекста. Точное выявление этих связей критически важно, но остается сложной задачей из-за различных корреляций характеристик и ограничений существующих методов.

Текущие методы и их ограничения

Современные методы обработки отсутствующих значений в пространственно-временных данных полагаются на фиксированные пространственные графы и графовые нейронные сети (GNN). Эти подходы предполагают, что пространственные отношения между характеристиками одинаковы в разных местах, что не всегда так.

Решение от Nankai University и Harbin Institute of Technology

Чтобы решить проблемы импутации пространственно-временных данных, исследователи предложили структуру обучения графа многоуровневого масштаба (GSLI). Этот подход сочетает два метода: обучение на уровне узлов и обучение на уровне характеристик. Он учитывает неоднородность характеристик и интегрирует пространственно-временные корреляции.

Как работает GSLI

Структура использует статические графы для представления пространственных данных и временных сигналов. Обучение на уровне узлов уточняет встраивания, выделяя влиятельные узлы, а обучение на уровне характеристик выявляет пространственные отношения между характеристиками.

Эффективность GSLI

Исследователи оценили производительность GSLI на шести реальных наборах данных с отсутствующими значениями. GSLI превзошел современные методы, эффективно захватывая пространственные зависимости. Его способность моделировать зависимости между временными и пространственными характеристиками обеспечила превосходную адаптивность к различным сценариям.

Выводы и будущее исследований

Предложенная структура продвигает импутацию пространственно-временных данных, улучшая точность. GSLI может служить базой для будущих исследований, вдохновляя на разработки, которые уменьшат вычислительную сложность и позволят проводить импутацию в реальном времени для динамических систем.

Как внедрить ИИ в вашу компанию

Если вы хотите, чтобы ваша компания развивалась с помощью искусственного интеллекта (ИИ), следуйте этим шагам:

Анализируйте, как ИИ может изменить вашу работу.
Определите, где возможно применение автоматизации.
Выберите ключевые показатели эффективности (KPI), которые хотите улучшить с помощью ИИ.
Подберите подходящее решение из множества доступных вариантов ИИ.
Внедряйте ИИ постепенно: начните с малого проекта, анализируйте результаты и KPI.