通过分层时空下采样,利用可解释的注意机制结合观测和缺失数据模式,我们的方法在不同的缺失数据分布以及连续缺失数据块存在的情况下,在合成和实际基准测试中优于最先进的方法。
Feb, 2024
本研究使用图神经网络架构 GRIN 来处理多变量时间序列的缺失值,通过信息传递学习时空表示,实现修复缺失数据,并在真实基准测试中表现出超过 20% 的平均绝对误差改善。
Jul, 2021
这篇论文研究了使用深度神经网络架构解决多元时间序列插补问题。通过利用低秩插补方法的经验和专长,我们为传统的 Transformer 模型添加了三项知识驱动的增强,包括投影时间注意力、全局自适应图卷积和 Fourier 插补损失。这些面向任务的归纳偏置利用了不完整时间序列的内在结构,使得我们的模型适用于多种插补问题。我们通过在包括交通速度、交通流量、太阳能、智能电表和空气质量等异构数据集上进行全面的案例研究来进一步加强其可解释性,并通过有希望的实证结果有力地证明了将低秩属性等时间序列原始特征纳入模型可以大幅促进通用化模型的开发,从而解决广泛的时空插补问题。
Dec, 2023
本文研究了如何使用数据填充的方法处理由于交通网络动态变化引起的多变量时间序列中缺失的时空数据,并就现有方法存在的问题提出了改进方案。
Apr, 2023
我们开发了一种新的时空方法,通过集成从摊销变分推断、神经微分方程、神经点过程和隐式神经表示等技术,有效处理随机采样的数据,并对未来观测的概率位置和时间进行预测,从而在预测准确性和计算效率上显著超越现有方法,成为研究和理解在真实无约束条件下观察到的复杂动力系统的有用工具。
Jun, 2024
从因果的角度重新审视了时空时间序列的填充,引入了前门调整与一个基于因果感知的时空图神经网络 (CASPER),它包含了一个新颖的时空因果注意力 (SCA) 和一个基于提示的解码器 (PBD)。PBD 可以减少混淆变量的影响,而 SCA 可以发现嵌入之间的稀疏因果关系。经过理论分析,发现 SCA 是基于梯度值来发现因果关系的。通过在三个真实数据集上的评估,实验证明 Casper 能够胜过基准方法,并有效地发现因果关系。
Mar, 2024
本研究提出了一种基于图卷积网络和动态图学习模块的方法(GCN-M),用于在具有复杂缺失值的时空上下文中处理交通流量预测任务。实验结果表明,所提出的方法具有可靠性。
Dec, 2022
本文介绍一种基于变分自编码器和生成对抗网络的编码器 - 解码器框架,用于学习不规则采样的时间序列数据,提出了一种连续卷积层用于与现有神经网络体系结构高效对接。实验证明,该模型在不规则多元时间序列分类的结果上可以比最近的 RNN 模型表现得更好,同时具有显著更快的训练速度。
Aug, 2020
提出了一个通用的时空数据建模、分析和预测框架,重点关注空间和时间都稀疏的数据。该框架由自激励点过程和图结构循环神经网络两个组成部分无缝耦合,并实现了更精准的实时预测,针对犯罪和交通预测具有良好的效果。
Apr, 2018
利用趋势和季节信息的条件特征和对比学习,C$^2$TSD 能更好地生成稳定和泛化性能强的模型,在三个真实数据集上的广泛实验显示其优越性能。