Spatio-Temporal-Agnostic Masked Pre-training

Dependencies

The code is implemented based on STD-MAE, which is realized on BasicTS and STEP.

Thinking 1: ST-Agnostic Masking

• STEP和STD-MAE中采用了MAE，预测效果好于之前的SOTA方法，俩者分别采用是时间掩码和时空解耦掩码。
• 而Kaiming的Video-MAE工作表明视频数据ST-Agnostic掩码效果更好。
• Traffic和Video本质都是时空数据，这一部分尝试验证ST-Agnostic掩码的效果。

Thinking 2: LargeST Transfer

• 相比于PEMS0x数据集，LargeST中提出了在时空维度都很大的数据集，包含了加州5年的Traffic Datasets
• 该部分要想要验证下大数据集相比于PEMS0x在城市迁移上的提升效果。