对图中时间马尔可夫动态进行编码以用于可视化和挖掘时间序列数据
提出了一种名为 TimeGraphs 的新方法,将动态交互以分层的时间图形式建模,通过自监督方法构建多层次事件层次结构,有效地进行非均匀分布的动态推理。在多个数据集上评估 TimeGraphs 的性能,包括足球模拟器、Resistance 游戏和 MOMA 人体活动数据集,结果表明 TimeGraphs 在各种时间推理任务上都具有鲁棒性和效率,相比当前方法,在事件预测和识别任务上性能提升高达 12.2%。实验进一步证明了 TimeGraphs 的零样本泛化能力、对稀疏数据鲁棒性以及适应流数据的能力。
Jan, 2024
我们提出了一种方法,将多变量信号表示为图中的节点,通过图神经网络和注意力机制来高效学习时间序列数据中的潜在关系,并建议使用分层信号分解来捕捉多个空间依赖关系,实验证明我们的模型在长期预测任务中优于现有模型,平均均方误差 (MSE) 减少了 23%。
Nov, 2023
通过将节点定义为牛顿对象并引入速度的概念,我们提出了一种新的时间链接预测方法,通过计算每个节点的具体动态,而不是整体动态,提高了预测未来连接的准确性和可解释性。我们的方法在预测合著网络中的未来合作效果方面,使下游分类模型的性能提高了 17.34%(相对于基准模型)并针对时间链接预测问题提供了一个可解释的层。
Jan, 2024
TimeGNN 是一种学习动态时间图表示的方法,能够捕捉多个系列的相关性和交互模式的演变,并在预测性能方面实现比其他先进的基于图的方法快 4 到 80 倍的推理时间。
Jul, 2023
该研究提出了一种面向多变量时间序列数据的图神经网络框架,采用图学习模块提取自动生成的变量之间的关系,同时运用新颖的混合传递和膨胀创新层捕捉时间序列中的空间和时间相关性,而这些模块被联合学习在一个端对端框架中。实验结果表明,该模型的性能在 3 个基准数据集上优于现有最先进方法,并在提供额外结构信息的两个交通数据集上实现了与其他方法相当的性能。
May, 2020
本文介绍了一种新的框架,通过提取和聚类高度激活 CNN 神经元的输入表征模式来解释多元时间序列数据,以捕获输入信号的作用和依赖关系,并构建一个捕获每层提取模式的时间关系的图形,最后使用图形嵌入算法生成可解释的时间序列特征表示。通过在 8 个 UCR/UEA 归档数据集以及 HAR 和 PAM 数据集上运行广泛的实验,证明了我们的时间感知基于图形的表征在 MTS 分类中具有明显优势,并丰富了它们的可解释性。
Jun, 2023
本文提供了一种简单快速的计算方法,即可将时间序列转换为图形,该方法称为可视性算法。生成的图形在结构上继承了系列的多个特性,如周期系列转换为规则图形,随机系列则转换为随机图形。 此外, 分形系列转化为无标度网络,这增强了幂律分布与分形性相关的事实。 可以利用这种新方法来从新的角度表征时间序列。
Oct, 2008
本文开发了一种数据驱动方法,基于 Markov 链模型和贝叶斯推断框架,同时解决了因过度拟合和任意先验时间尺度的影响对网络动态社群结构提取的问题。该方法可以确定相关时间尺度,并识别在网络上发生的动态模式以及塑造网络本身的因素。
Sep, 2015
图形化深度学习方法在处理相关时间序列集合方面已成为流行工具,提出了一种全面的方法论框架,用于形式化预测问题并提供基于图形的预测模型的设计原则和性能评估方法,同时介绍领域概述、设计指南和未来研究方向的综述。
Oct, 2023