ReLearner: Bidirektionale Lernmethode verbessert spatiotemporale Vorhersagen

In der Welt der spatiotemporalen Vorhersagen dominieren bislang Modelle, die ausschließlich auf einseitiges Lernen setzen: Sie extrahieren Merkmale aus historischen Beobachtungen und projizieren diese auf zukünftige Zielwerte. Dieses Vorgehen stößt jedoch häufig an Grenzen, wenn die Eingaben und die zu prognostizierenden Labels nicht übereinstimmen – etwa wenn ähnliche Zeitreihen unterschiedliche Zukunftsverläufe aufweisen.

Um dieses Problem zu lösen, wurde die Spatiotemporal Residual Theorem entwickelt, die das herkömmliche Einseitige Lernparadigma in ein bidirektionales Framework überführt. Auf dieser Basis entstand der ReLearner, ein universelles Modul, das bestehende Spatiotemporal Neural Networks (STNNs) um eine zusätzliche inverse Lernschleife erweitert. Durch diese Schleife lernt das Modell die Residuen zwischen Eingabe- und Zielrepräsentationen neu.

Der ReLearner besteht aus zwei Kernkomponenten: einem Residual Learning Module, das die Unterschiede zwischen Input- und Label-Merkmalen effektiv trennt, und einem Residual Smoothing Module, das die Residuen glättet und so eine stabile Konvergenz gewährleistet. In umfangreichen Experimenten mit 11 realen Datensätzen und 14 verschiedenen Backbone-Modellen zeigte sich, dass die bidirektionale Lernstrategie die Vorhersagegenauigkeit signifikant steigert.