【KDD2024】用于时空时间序列预测的异质性信息元参数学习

时空时间序列预测在广泛的现实应用中发挥着关键作用。尽管在这一领域已经取得了显著进展，但充分捕捉和利用时空异质性仍然是一个根本性挑战。因此，我们提出了一种新颖的异质性信息元参数学习方案。具体来说，我们的方法通过学习空间和时间嵌入来隐式捕捉时空异质性，这可以看作是一个聚类过程。然后，提出了一种新颖的时空元参数学习范式，从元参数池中学习时空特定参数，并以捕捉到的异质性为指导。基于这些思想，我们开发了用于时空时间序列预测的异质性信息时空元网络（HimNet）。在五个广泛使用的基准上进行的大量实验表明，我们的方法在表现出卓越解释性的同时，达到了最先进的性能。我们的代码可在https://github.com/XDZhelheim/HimNet获取。