Survey on Research of RNN-Based Spatio-Temporal Sequence Prediction Algorithms 时空序列数据预测综述笔记

当前时序模型存在问题

基于RNN的时空序列预测方法虽然取得了很大的进展，但仍存在许多问题。在传统的时空序列预测方法中，对其进行了选择模型仍然依赖于特定的数据集和个人经验，没有指导思想，这些传统的方法很难捕获动态时空关系数据。在数据驱动的模型中，如时空支持向量回归和深度学习，模型的泛化能力是从历史样本中学习出来的，因此它在很大程度上依赖于历史的数据。时空序列数据往往是复杂的，并经常受到各种因素的影响。在原始数据中有许多缺失和错误，这也影响了原始数据的准确性时空序列预测。数据处理、模型设计和选择是提高时空序列预测精度的关键。因此，时空上的数据预处理，特别是数据去噪，尤为重要；对于一些数据较少的领域，直接时空序列建模得到的预测结果不准确，并且在其他的领域的知识，需要有足够数据才能转化学习到。

时序预测未来可研究方向小结

（1）时空数据去噪和迁移学习。
时空序列数据受到各种可见因素和不可见因素的影响，具有高维、动态、多尺度和模糊的特性。因此，通常会有更多的错误这极大地影响了各种模型的预测精度。目前，关于从时空序列数据中去除噪声的研究工作相对较少。您可以考虑设计一种算法来筛选和修改模型的训练样本，使训练后的模型更加准确。例如，使用了滑动时间窗口的方法以中间时间间隔（如一天、一周等）从原始数据中提取数据。形成一个新的时空序列，这使得时空数据的周期性更容易提取。

（2）时空序列在线预测和模型简化。

（3）增强时空序列模型的可解释性。
在提取其他影响因素的特征时，除了直接使用CNN、RNN、全连接特征提取和语义网络分析外，还有其他的提取方法吗？该方法背后是否有相应的逻辑解释是一个值得考虑的问题。通过对模型的可视化，我们可以深入理解模型提取时空序列数据特征的过程，从而更好地解释模型。