【车流量预测论文】Geoman: Multi-level attention networks for geo-sensory time series prediction.-20201206

最新推荐文章于 2022-09-06 21:17:26 发布

Xhfei1224

最新推荐文章于 2022-09-06 21:17:26 发布

阅读量1.1k

点赞数

CC 4.0 BY-SA版权

分类专栏：数据挖掘之车流量预测

本文链接：https://blog.csdn.net/weixin_41990278/article/details/110732325

数据挖掘之车流量预测专栏收录该内容

8 篇文章 ¥29.90 ¥99.00

订阅专栏

超级会员免费看

GeoMAN模型利用多级注意力机制处理地理传感器数据，预测时间序列，尤其适用于空气质量预测。模型结合局部和全局Attention，通过encoder-decoder架构，结合额外的环境信息提升预测性能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

GeoMAN：基于multi-level attention机制的传感器时间序列预测模型

简单的Pytorch实现，具体可以参考Github: https://github.com/xchadesi/GeoMAN, 这里主要介绍一下该模型的应用场景、多层注意力机制原理，以及输入数据的构造方法等。

1.应用场景

在这里插入图片描述
上图是北京市地区的空气检测站的分布图，每一个检测站被称之为一个sensor，每一个sensor在一天之内都会间隔固定的时间（一般是5min）采集空气数据，其中包括：温度、湿度、PM2.5（是本文需要预测的指标—目标属性）、NO、NO2、以及各个方向的风力大小等19个维度的属性特征。这种场景的数据特点就是，每一个sensor地理位置是不会变化的，它们之间的相对位置也是不变的，但是由于是每隔一段时间就会采集一次数据，因此每一个sensor都会产生一系列的时序数据。假设sensor的数量是Ng个，每一个sensor采集的属性特征数为Nl。分析任务就是，给一个时间间隔T范围内的所有sensor数据，来预测某一个sensori在接下来的T+τ时间段内的某一维属性特征序列值。从问题描述我们可以知道，对于其中的一个sensor X，它在一段时间T内产生的数据可