关于Spatial and Temporal Identities的问题 about stid HOT 2 CLOSED

感谢您的关注！时间和空间信息作为embedding去自适应地学习是更加合理的做法。

数据集本身并不提供时间和空间的Attributes。
虽然我们可以通过一些特殊方法（例如空间维度上使用Node2Vec，时间维度上使用one-hot编码）来产生特征，但我们并不能确保这样的特征是不是合适的。
例如，空间维度的embedding之间的相似度，通常代表着时间序列之间的相似度。而通过特殊方法产生的结果不一定是最优的。
从效果来看不如让模型自适应的去学习时间和空间的embedding。

模型的输入数据是一个[B, L, N, C]的Tensor，其中B=batch size, L=sequence length, N=number of variates, C=features of each variate at each time step。
C的第一维通常是传感器测量出来的值，例如Traffic Speed, Traffic Flow。后续的维度通常是Temporal Features。例如第二维是Time in Day，第三维是Day in Week，后续类推。
更详细的数据预处理可以参考：这一行 ~ 这一行。

from stid.

感谢您详尽的回复，完美解答了我的疑惑！非常solid的工作，follow学习一下~

from stid.