Краткое содержание

arXiv:2511.05179v1 Тип объявления: кросс Аннотация: Современные развертывания Интернета вещей (IoT) для экологического мониторинга генерируют большие объемы пространственно-временных данных, поддерживающих последующие задачи прогнозирования, обычно основанные на моделях машинного обучения. Хотя существующие методы фильтрации и стратегические подходы к размещению оптимизируют объем собираемых данных на периферии, они упускают из виду влияние вариаций частоты выборки и пространственного покрытия на производительность моделей прогнозирования. Во многих моделях прогнозирования включение данных от дополнительных датчиков улучшает точность предсказаний путем предоставления более широкого пространственного контекста. Взаимодействие между частотой выборки, пространственным покрытием и различными архитектурами моделей прогнозирования остается недостаточно изученным. Данная работа представляет систематическое исследование моделей прогнозирования — классических моделей (VAR), нейронных сетей (GRU, Transformer), пространственно-временных графовых нейронных сетей (STGNN) и базовых моделей временных рядов (TSFM: Chronos Moirai, TimesFM) при различных плотностях узлов пространственных сенсоров и частоте выборки.