Jun, 2023

MTS2Graph: 具有时间演化图的可解释性多变量时间序列分类

PDF
TL;DR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。
发现论文，激发创造
  • 用图神经网络连接点：多元时间序列预测

    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

  • 多元时间序列数据的全连接时空图

    提出了一种名为全连接时空图神经网络（FC-STGNN）的新方法，通过将传感器之间的相关性考虑为不同时间戳下的相关性，来全面建模多元时间序列数据中的时空依赖关系，并有效地捕捉和学习有效的表示，实验证明其在多个多元时间序列数据集上相对于其他方法具有有效性。

    Sep, 2023

  • 多尺度自适应图神经网络用于多元时间序列预测

    本研究提出了一种名为 MAGNN 的多尺度自适应图神经网络方法，用于预测多元时间序列中的内部变量相关性和跨变量相关性，通过多尺度金字塔网络和自适应图学习模块以及尺度级融合模块能够更好地处理不同时间尺度和相关性，实验证明，MAGNN 在多个数据集上都优于现有的方法。

    Jan, 2022

  • 基于傅里叶变换的边缘可变图网络用于多元时间序列预测

    本文基于图神经网络与边变换的傅里叶图神经网络，提出一种适应性学习高分辨率变量依赖关系的方法，对多变量时间序列分析与预测具有较高的效率和准确性。

    Oct, 2022

  • 学习结构组件：面向模块化可解释的多元时间序列预测

    本文提出了一种模块化和可解释的预测框架 SCNN，可以分离时间序列数据中的结构和异构组成部分，并分别预测其演变。在三个实际数据集上的实验证明了 SCNN 可以胜过现有模型并具有更好的可追溯性和可预测性。

    May, 2023

  • FourierGNN：从纯图角度重新思考多元时间序列预测

    直接应用图网络并从纯图的角度重新审视多元时间序列（MTS）预测，定义了一种新的数据结构 —— 超变量图（hypervariate graph），以滑动窗口作为时空全连接图，从而统一考虑时空动态并重构经典 MTS 预测为在超变量图上的预测。通过在傅里叶空间执行矩阵乘法的傅里叶图神经网络（Fourier Graph Neural Network，FourierGNN）架构，实现了更低的复杂性、更高的效率和较少参数，从而取得了卓越的预测性能。

    Nov, 2023

  • 增强型时空图神经网络预训练在多元时间序列预测中的应用

    本文介绍了一种新型的预训练框架，将 “可扩展时间序列预训练模型”（STEP）与 “空间 - 时间图神经网络”（STGNN）相结合，通过长期历史时间序列数据的预处理，提供上下文信息，显著提高预测准确性。

    Jun, 2022

  • TodyNet：用于多元时序分类的时间动态图神经网络

    提出了一种新的基于深度学习的多元时间序列分类 (TodyNet) 方法，该方法可以提取隐含的时空依赖关系，通过动态图机制捕获不同时间段之间的关联，同时可利用可学习的时间参数获取全局图级表示，实现了端到端的联合学习，实验结果表明，该方法在 MTSC 任务中优于现有深度学习方法。

    Apr, 2023

  • 多尺度变压器金字塔网络用于多变量时间序列预测

    使用多尺度 Transformer 的多变量时间序列预测中，引入了不变量嵌入技术用于捕捉短期时间依赖并将数据投射到高维空间，同时保留时间步和变量维度。进一步，提出了一种新颖的 Multi-scale Transformer 金字塔网络 (MTPNet), 用于有效地捕捉多个不受约束尺度上的时间依赖。在九个基准数据集上的广泛实验证明，提出的 MTPNet 优于最新的先进方法。

    Aug, 2023

  • 基于注意力机制的时间序列预测的模块化神经网络：可解释性和特征选择

    一篇研究时间序列的多变量预测的可解释神经网络模型，通过循环神经网络学习数据的时间依赖性，配合基于注意力的特征选择组件来选择最相关和抑制冗余的特征，通过独立训练选定特征的模块化深度网络，展示特征对结果的影响，从而使模型可解释。实验结果表明，该方法在时间序列的回归和分类任务中优于现有的可解释神经加性模型（NAM）及其变体，且达到与时间序列的非可解释方法 LSTM 和 XGBoost 相媲美的预测性能。

    Nov, 2023