通过跨城市元学习对城市时间序列数据进行协同插补

《IEEE Transactions on Knowledge and Data Engineering》：Collaborative Imputation of Urban Time Series Through Cross-City Meta-Learning

　　城市时间序列数据存在采集困难，需高效补全技术。传统模型在性能与泛化间失衡，本文提出基于元学习的隐式神经网络表示（INRs）协作补全方法，通过连续参数化解构不规律性，运用元学习实现跨城市协作，结合多尺度调制与归一化降低异质性影响。实验表明其性能优异且泛化性强。

　　

摘要：

城市时间序列数据，如交通流量、能源消耗和污染记录，蕴含了复杂的城市动态和结构特征。然而，由于预算限制和传感器故障等技术难题，每个城市的数据收集都面临困难，因此需要有效的数据插补技术来提高数据的质量和可靠性。现有的数据插补模型主要分为基于学习和基于分析的两种范式，它们在处理模型容量与泛化能力之间的平衡时存在挑战。通过跨城市协作学习来重建数据有望打破这一平衡。不过，城市数据的固有不规则性和异质性问题加剧了城市间知识共享和合作的难度。为了解决这些限制，我们提出了一种新的协作插补范式，该范式利用元学习得到的隐式神经表示（INRs）。INRs能够实现从领域坐标到目标值的连续映射，结合了两种范式的优势。首先，我们采用连续参数化方法来处理数据的不规则性并重建动态系统；接着，通过模型无关的元学习引入跨城市协作学习机制，并结合层次化调制和归一化技术以适应多尺度数据表示，从而减少因异质性导致的方差。在来自20个全球城市的多样化城市数据集上的广泛实验表明，我们的模型在数据插补性能和泛化能力方面表现优异，进一步证明了协作插补在资源受限环境中的有效性。