PriSTI：用于时空插补的条件扩散框架

时空数据挖掘在空气质量监测、 crowd flow 建模和气候预测中发挥着重要作用。然而，在现实场景中收集的原始时空数据通常由于传感器故障或传输损失而不完整。时空插补旨在根据观察值及其潜在的时空依赖关系来填补缺失值。之前的主要模型是自回归地插补缺失值，并且遭受错误积累的问题。作为新兴的强大生成模型，扩散概率模型可以被采用来条件性地插补缺失值，从而避免从不准确的历史插补中推断缺失值。然而，在将扩散模型应用于时空插补时，条件信息的构建和利用是不可避免的挑战。为了解决上述问题，我们提出了一种用于时空插补的条件扩散框架，名为 PriSTI。我们提出的框架首先提供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关系作为全局上下文先验。然后，一个噪声估计模块将随机噪声转变为现实值，结合由条件特征计算的时空注意力权重以及地理关系的考虑。PriSTI 在各种实际时空数据的不同缺失模式下优于现有插补方法，并有效处理高缺失率和传感器故障等场景。实现代码可在 https://github.com/LMZZML/PriSTI 获取。