Spatiotemporal series analysis and forecasting: New deep learning architectures on weather and crime forecasting

Uzay-zamansal serileri hava durumu ve suç tahmini üzerinden çalışmaktayız ve başka uzay-zamansal problemlerde de kullanılabilecek yeni başarılı derin öğrenme mimarileri tanıtmaktayız. İlk olarak, fiziksel modellerin işlem gücü gereksinimlerine ve performanslarına dikkat çekerek hava durumu modelimizi alternatif olarak sunmaktayız. Hava durumu modelimiz kodlayıcı-çözücü yapısını Evrişimli Uzun-Kısa Soluklu Belleklerle büyütmekte ve dikkat ve bağlam eşleştirici mekanizmalarla performansını artırmaktadır. Büyük çaplı, gerçek, literatürde kıstas olan sayısal hava durumu verileri üzerinde deneyler gerçekleştirmekteyiz. Dikkat matrislerinin atmosferik dalgalanmaları nasıl modellediğini ve uzayzamansal bağıntıları başarılı bir şekilde öğrendiğini göstermekteyiz. Modelimiz, temel derin öğrenme modelleri arasından en iyi skoru ve fiziksel modellerle kıyaslanabilecek sonuçlar almaktadır. İkinci olarak, yüksek çözünürlüklü suç tahminini çalışmaktayız ve Çizge Evrişimli Geçitli Tekrarlayan ünite ve Çoklu Gauss Dağılımlarını kullanarak yeni üretici model sunmaktayız. Yüksek çözünürlüklü uzay-zamansal verideki seyreklik ve karışıklık problemini çözmek için çizge gösterimini oluşturmaktayız ve parselleme algoritması sunmaktayız. Çizge gösteriminin kullanışlı yapısı sayesinde, bağıntıları bağlam vektörlerine kodlamaktayız ve Çoklu Gauss Dağılımını oluşturarak literatürde ilk olan istenilen her çözünürlükte tahmin üretmekteyiz. Modelimiz gerçek ve sentetik veride en son kullanılan modeller arasında en iyi performansı göstermektedir. Bu yüzden modelimiz sadece üretken değil aynı zamanda doğrudur. Ek olarak, kaynak kodlarımızı deneyleri tekrar gerçekleştirmek için sağlamaktayız.