基于深度学习的时空数据预测与研究.pdfVIP

摘要

摘要

时空序列预测是智能感知与决策系统的核心技术之一，其通过建模时间与空间的

耦合依赖关系，预测未来状态的空间分布与动态演变。

在信息技术和人工智能技术深度融合的驱动下，智慧城市、能源调度、交通网络

和金融市场等许多领域产生了规模庞大、任务复杂且具有空间特征的时间序列数据，

这些高维时空序列数据不仅记录了物理世界的动态演变规律，更蕴含着跨系统耦合作

用与复杂社会行为模式，其深度解析对提升系统预测能力、优化资源配置具有重要科

学价值与实践意义。

传统预测方法受限于时空相关性学习，难以有效建模非线性时空交互效应。近年

来，以Transformer为核心的深度学习模型虽通过自注意力机制、频域分解等技术显

著提升了长周期依赖性捕捉能力，但在实际应用中仍面临三重核心挑战：其一，多尺

度时空相关性的动态耦合机制缺乏显式建模，导致局部突变响应与全局趋势演进难以

协同表征；其二，异质传感器网络产生的数据存在显著空间异质性与噪声分布差异，

传统通道耦合建模易受干扰信号影响；其三，时空异质性建模不足，无法捕捉空间单

元的动态功能关联，空间图的动态更新频率低，难以捕捉实时变化，时间上忽视局