PriSTI

PriSTI: A Conditional Diffusion Framework for Spatiotemporal Imputation on Variational Point Processes

代码地址
论文地址

引言

时空数据挖掘在空气质量监测、人群流量建模、气候预测等方面发挥着重要作用。然而，现实场景中原始收集的时空数据通常由于传感器故障或传输损耗而不完整。时空插补旨在根据观测值及其潜在的时空依赖关系对缺失值进行插补。现有的主流模型对缺失值进行自回归插补，存在误差累积问题。扩散模型作为新兴的强大生成模型，可用于以观测值为条件的缺失值插补，避免从不准确的历史插补中推断缺失值。然而，将扩散模型应用于时空填充时，条件信息的构建和利用是不可避免的挑战。为解决上述问题，本文提出一种基于增强先验信息建模的条件扩散时空插补框架PriSTI。首先，该框架设计了一个条件特征提取模块，从条件信息中提取粗略但有效的时空依赖作为全局上下文先验信息。然后，噪声估计模块将随机噪声转换为真实值，通过条件特征计算时空注意力权重，并考虑地理关系。PriSTI在不同真实时空数据的各种缺失模式下均优于现有的插补方法，并能有效处理高缺失率和传感器故障等场景。

• 本文提出了 PriSTI，一种用于时空插补的条件扩散框架，能够充分利用时空全局相关性和地理关系的条件信息。

• 为了降低