GeoMAE: Apprendimento di Rappresentazioni con Mascheramento per la Previsione su Grafi Spazio-Temporali con Valori Mancanti
Un nuovo articolo di ricerca introduce GeoMAE, un metodo per la previsione su grafi spazio-temporali che gestisce dati mancanti. I valori mancanti nei sistemi di intelligenza urbana, causati da condizioni ambientali e guasti alle apparecchiature, ostacolano le previsioni di traffico ed energia. I metodi esistenti trascurano le correlazioni spaziali dinamiche nelle reti di sensori e faticano con pattern di dati mancanti complessi e condizioni di manutenzione variabili. GeoMAE affronta questi problemi attraverso l'apprendimento di rappresentazioni con mascheramento.
Fatti principali
- GeoMAE è un metodo per la previsione su grafi spazio-temporali con valori mancanti.
- I dati mancanti nei sistemi di intelligenza urbana sono dovuti a condizioni ambientali avverse e guasti alle apparecchiature.
- I dati mancanti influenzano la previsione del traffico e la previsione del consumo energetico.
- I metodi esistenti trascurano le correlazioni spaziali dinamiche nelle reti di sensori.
- Pattern complessi di dati mancanti aggravano il problema.
- La variabilità delle condizioni di manutenzione causa fluttuazioni nel rapporto di dati mancanti.
- L'articolo proviene da arXiv:2508.14083v3.
- Il tipo di annuncio è replace-cross.
Entità
Istituzioni
- arXiv