тема：Spatio-temporal Early Prediction based on Multi-objective Reinforcement Learning

автор：Wei Шао (Шао Вэй), Yufan Кан (Кан Юфан), Ziyan Пэн (Пэн Цзыян), Xiao Сяо (Сяо Сяо), Lei Ван (Ван Лэй), Yuhui Ян (Ян Юхуэй), Flora D Salim

механизм：CSIRO, Королевский Мельбурнский технологический институт (RMIT), Сидианский университет, Чжэцзянский университет, Университет Нового Южного Уэльса (UNSW)

TL; DR: 这篇бумагапредставилПространственно-временная модель раннего прогнозирования STEMO, основанная на многокритериальном обучении с подкреплением,Адаптивно определять лучшее время прогноза,достигСвоевременностьиточностьновый баланс。Должен МодельиспользоватьМногографовая сверточная нейронная сеть（MGCN）иблок замкнутого контура（GRU）捕捉и分析пространственно-временная корреляция,结合编码器输出的隐藏状态и节点嵌入использоватьТехнология встраивания узлов, основанная на смещенном случайном блужданииПриходитьАдаптивно определять лучшее время для прогнозирования,в то же времяФиксирует скрытые предпочтения в разных контекстах。

URL-адрес arXiv：https://arxiv.org/abs/2406.04035

Total 9 Pages（3 Methodology+ 3 Experiment）

Abstract

В задачах прогнозирования зачастую сложно одновременно оптимизировать точность и своевременность. Результаты прогнозирования, полученные слишком рано, могут привести к более высокому уровню ложноположительных результатов, в то время как поздние прогнозы, которые собирают больше информации, могут сделать результаты менее своевременными. В реальных сценариях, таких как лесные пожары, преступность и пробки, своевременные прогнозы имеют решающее значение для обеспечения безопасности человеческих жизней и имущества. Поэтому баланс между точностью и своевременностью является горячей темой исследований. В этой статье предлагается пространственно-временная модель раннего прогнозирования, основанная на многоцелевом обучении с подкреплением, которая может реализовывать оптимальные стратегии на основе предпочтений или выводить предпочтения на основе небольшого количества выборок. Эта модель решает две основные задачи: 1) повышение точности ранних прогнозов, 2) обеспечение стратегии оптимизации, способной определить оптимальное время прогнозирования для каждого региона. Этот метод превосходно работает на трех крупномасштабных наборах реальных данных, превосходя существующие методы в ранних задачах пространственно-временного прогнозирования.

Три примера ранних предсказаний

Introduction

Проблема пространственно-временного прогнозирования — это инновационная задача пересечения в областях географических информационных систем, статистики и науки о данных. Она в основном используется в задачах, где на результаты прогнозирования влияют изменения географического местоположения и времени. Этот метод прогнозирования имеет широкое применение в таких областях, как метеорология, эпидемиология, транспорт и городское планирование.

Пространственно-временное раннее предсказание в основном предсказывает будущие события, обнаруживая закономерности, которые следуют за изменениями во времени и пространстве, как можно раньше, и широко используется в реальных областях, таких как эпидемиология, экологические исследования и общественная безопасность. В этих областях выявление пространственно-временных закономерностей на ранних стадиях дает менеджерам более точные рекомендации по принятию решений и предотвращает возникновение худших результатов. Например, при прогнозировании распространения болезней своевременность результатов гораздо важнее точности. Чрезмерное стремление к точным, но устаревшим результатам прогнозирования может привести к тысячам ненужных смертей. Своевременные, но менее точные результаты часто могут уменьшить последствия распространения и гарантировать безопасность жизни и имущества людей.

Существующие методы прогнозирования пространственно-временных событий условно делятся на три типа: традиционные методы, фиксированные методы и адаптивные методы. Например, традиционные методы прогнозирования учитывают все записанные данные, требуют очень много времени для обработки больших наборов данных и требуют полного априорного сбора данных, что часто приводит к задержкам прогнозирования и не подходят для областей с чувствительными ко времени требованиями. Напротив, фиксированные методы раннего прогнозирования работают в течение установленного периода наблюдения, способствуя своевременному прогнозированию в пределах определенного временного окна. Хотя эта стратегия повышает своевременность, ее фиксированный график может привести к неточным результатам, если окно наблюдения выбрано неправильно. Кроме того, на точность прогноза влияет негибкость в корректировке изменений временных данных и выборе окон наблюдения. Третий метод — адаптивное раннее прогнозирование, которое динамически корректирует время прогнозирования на основе характеристик данных. Этот подход направлен на то, чтобы сбалансировать точность и своевременность прогнозов, а его способность к динамической адаптации обеспечивает значительные преимущества при обработке временных изменений.

Адаптивные методы раннего прогнозирования достигли хороших результатов в некоторых областях, но в пространственно-временном прогнозировании все еще остается много проблем. В основном включают в себя: 1) Двойной баланс в реальном времени в очень сложных средах: пространственно-временные данные более сложны, чем данные временных рядов, изменяются быстрее и требуют динамических решений. Традиционные методы многокритериальной оптимизации статичны и требуют больших вычислительных ресурсов и не могут эффективно адаптироваться к различным сценариям. В то же время ранние прогнозы требуют немедленных результатов, и даже минутное промедление может привести к неблагоприятным последствиям. 2) Глобальная пространственно-временная зависимость. Пространственно-временной прогноз, основанный исключительно на корреляции расстояний, может оказаться затруднительным для быстрого определения ключевых особенностей данных. Хотя корреляция расстояний эффективно отражает отношения пространственной связи между узлами, она игнорирует временную зависимость, необходимую для точного прогнозирования. 3) Обнаружение скрытых предпочтений. Баланс между своевременностью и точностью варьируется от задачи к задаче, и каждая задача может иметь разные предпочтения. Выявление этих глубоко укоренившихся предпочтений является сложной задачей, требующей глубокого понимания поставленных целей и разработки идеальной балансирующей стратегии для каждого сценария.

В этом исследовании представлена ​​пространственно-временная модель раннего прогнозирования (STEMO), основанная на многоцелевом обучении с подкреплением. Ее основные преимущества включают:

• Предложено многоцелевое обучение с Система подкрепления включает в себя оптимизацию пространственно-временных прогнозов Своевременности и точности. Этот метод адаптируется к изменяющимся сценариям посредством интерактивного обучения с обратной связью в реальном времени.
• Вводится многошаговая матрица сходства, позволяющая каждому узлу улавливать тенденции других вышестоящих узлов и тем самым раньше оценивать изменения в этих узлах.
• Разработал технологию встраивания узлов, основанная на смещенном случайном блуждании,Повышена вероятность посещения узлов с более высоким сходством.,Чтобы добиться наилучшего времени. Для решения проблем с неоднородным масштабом объекта или единиц измерения,Мы предлагаем метод выявления скрытых предпочтений и используем метод энтропийного веса.

Предыстория и мотивация

Пространственно-временное предсказание в метеорологии、Эпидемиология、交通运输и城市规划等领域具有重要应用,В частности, своевременное прогнозирование лесных пожаров, преступности и пробок имеет решающее значение для обеспечения безопасности жизни и имущества людей. Точность и Своевременность в задачах прогнозирования часто конфликтуют друг с другом.,Преждевременные прогнозы могут привести к увеличению количества ложных тревог.,Хотя прогнозирование задержки позволяет получить больше информации,добиться более высокой точности,Но можно потерять своевременность. Пространственно-временное прогнозирование требует большего, чем просто динамические решения,Также необходимо одновременно учитывать корреляцию между измерениями времени и пространства. в то же время,Различные задачи имеют разные предпочтения в отношении баланса между своевременностью и точностью. поэтому,Эффективный и гибкий баланс результатов прогнозирования Своевременности и точности является фундаментальной целью данного исследования.。

Проблемы, с которыми сталкиваются в настоящее время

1. пространственно-временные данные нуждаются в динамических решениях: пространственно-временные данные Сравниватьвременной рядданныеболее сложный,Меняйтесь быстрее,Отсюда необходимость в динамических решениях. Традиционные методы многокритериальной оптимизации статичны и сложны в вычислительном отношении.,Неспособность эффективно адаптироваться к различным условиям. Ранние прогнозы требуют немедленных результатов,Даже минутное промедление может привести к неблагоприятным результатам.
2. Интегрированная пространственно-временная зависимость. Пространственно-временное прогнозирование, основанное исключительно на корреляции расстояний, не может быстро уловить ключевые характеристики данных. Хотя корреляция расстояний эффективно отражает пространственную связь между узлами, она игнорирует временной аспект данных.
3. Раскопки скрытых предпочтений: разные задачи имеют разные предпочтения в отношении баланса между своевременностью и точностью. Выявление этих тонких предпочтений является сложной задачей.,Требуется глубокое понимание целей.,и разработать идеальный баланс своевременности и точности для каждого сценария.

Основные моменты и вклад

1. многоцелевое обучение с подкреплением：Построенмногоцелевое обучение с Модель STEMO обеспечивает своевременность и точность пространственно-временного прогнозирования. Благодаря интерактивному обучению на основе обратной связи в реальном времени она может реализовывать оптимальные стратегии на основе предпочтений, определять предпочтения на основе небольшого количества образцов и улучшать способности. адаптироваться к меняющимся моделям поведения. обучение с Суть подкреплений заключается в том, что Модель может выполнять различные задачи прогнозирования.,Независимое обучение и оптимизация нескольких целей (таких как точность и своевременность),для достижения наилучших результатов прогнозирования.
2. Динамическая временная матрица подобия：Представляем многоэтапную матрицу сходства,Включите каждый узел для сбора тенденций от других вышестоящих узлов.,Это позволяет раньше оценить изменения узлов.
3. Встраивание узлов и смещенное случайное блуждание：Разработал технологию встраивания узлов, основанная на смещенном случайном блуждании,Повышенная вероятность посещения узлов с более высоким сходством.,и достичь лучшего времени
4. Обнаружение скрытых предпочтений：Метод обнаружения скрытых предпочтений разработан с использованием метода энтропийных весов.,Решайте проблемы с неоднородными масштабами или единицами измерения объектов.

Ядро: многоцелевое обучение с подкреплением

Сутью этой статьи является многоцелевое обучение с подкреплением, которое позволяет модели адаптивно обучаться и оптимизировать точность и своевременность при решении различных задач прогнозирования, балансируя их для достижения наилучшего эффекта прогнозирования. Эта модель может обнаруживать скрытые предпочтения и динамически корректировать стратегии прогнозирования на основе различных ситуаций и требований задач для удовлетворения различных требований. Это не только повышает гибкость и адаптируемость прогнозов, но и значительно повышает точность прогнозов модели в реальных сценариях.

Модельная архитектура

STEMO

На фото STEMO Модельная архитектура. Модель в основном состоит из трех частей:

Пространственно-временной Predictor）：Ответственный за обработкупространственно-временные данные, извлекать пространственно-временные характеристики и генерировать прогнозируемые значения. В то время кодер (Encoder) использует GRU (блок замкнутого контура) обрабатывает записанные значения во времени для извлечения пространственно-временных особенностей и генерирует скрытые состояния. Используя скрытые состояния, декодер генерирует серию прогнозируемых значений, Прогнозируемое значение на время.

Генератор состояний (Состояние Generator）：В предвзятом случайном блуждании,Некоторые члены смещения вводятся для изменения вероятности выбора соседних узлов.,Это позволяет вам целенаправленно контролировать направление и фокус вашего блуждания. Модуль генератора состояний разрабатывает функции внедрения, объединяет встраивания узлов и скрытые состояния, а также использует смещенную выборку случайного блуждания и методы word2vec.,Генерируйте информацию о состоянии узлов в разное время для принятия решений. Эти представления состояния объединяют текущую информацию об узле и информацию о соседях.,Для оптимизации времени прогноза,Повышайте точность и своевременность прогнозирования.

Оптимальная стратегия (Оптимальная Policies）：использовать生成的状态信息,Определите оптимальное время прогнозирования для каждого узла. Используйте набор действий, чтобы решить, продолжать ли наблюдение («Подождать») или сделать паузу («Остановить»). Продолжение наблюдения указывает на необходимость дальнейшего наблюдения за записанным значением. Пауза указывает на то, что время является оптимальным для узла.,Соответствующее прогнозируемое значение записывается в «Прогнозированные значения». Этот модуль использует нейронные сети для представления значений Q.,Объедините состояние, действия и пользовательские настройки,Выбирайте действия, используя жадную стратегию,И разработайте функцию вознаграждения, чтобы предсказывать точность и время. Обучите нейронную сеть, минимизировав функцию потерь,найти оптимальный набор политик,Включает все пространства предпочтений.

Кроме того, в процессе прогнозирования модели скрытые закономерности и предпочтения в данных будут анализироваться путем оценки и оптимизации параметров усеченного многомерного распределения Гаусса, эффективного обнаружения приоритетов различных целей, оптимизации процесса прогнозирования и выполнения прогноза. результаты будут более точными и своевременными.

Результаты экспериментов

Набор данных

точность Результаты экспериментов

Производительность алгоритмов многокритериальной оптимизации

эксперимент по абляции

g1 фокусируется на эффективности, g2 фокусируется на точности

Точность и настройки в реальном времени

Подвести итог

True Set в нескольких больших масштабах данныхна Результаты экспериментовпоказывать,STEMOМодель Превосходно справляется с различными задачами прогнозирования,验证了其在实际应用中的有效性и可行性。STEMOМодельв совершенствовании задач пространственно-временного прогнозированияточностьи Своевременность Значительный прогресс был достигнут в,предложенныймногоцелевое обучение с Метод подкрепления и инновационные технические средства открывают новые перспективы и решения в области пространственно-временного прогнозирования.

ЦитатаBibTex

@inproceedings{STEMO2024,
  author={Wei Shao and Yufan Kang and Ziyan Peng and Xiao Xiao and Lei Wang and Yuhui Yang and Flora D. Salim},
  title={Spatio-temporal Early Prediction based on Multi-objective Reinforcement Learning},
  booktitle={Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2024)},
  year={2024},
  url={https://arxiv.org/html/2406.04035v1}
}

приветствую всехавтор Недавние вклады, связанные спространственно-временные данныеивременной рядзавербованIJCAI、SIGIR、ICMLа такжеKDD等顶级会议и期刊的优秀文章解读,Мы будем искренне продвигать вас,Учитесь и прогрессируйте вместе. Если вы хотите,Пожалуйста, свяжитесь с нами через личное сообщение в фоновом режиме.

Если вы считаете это полезным, пожалуйста, поделитесь им, посмотрите и поставьте лайк.