用于异步生物过程时间序列预测的深度集合神经网络

Dec, 2023

用于异步生物过程时间序列预测的深度集合神经网络

Deep Set Neural Networks for forecasting asynchronous bioprocess timeseries

Maxim Borisyak, Stefan Born, Peter Neubauer, Nicolás Cruz-Bournazou

TL;DR通过使用具有三元编码的深度集合神经网络，本文展示了一种成功处理生物过程数据的方法，无需插值或对齐程序，并且适用于任何任务，尤其适用于典型的培养过程中的预测任务。

Abstract

cultivation experiments often produce sparse and irregular time series. Classical approaches based on mechanistic models, like Maximum Likelihood fitting or Monte-Carlo Markov chain sampling, can easily account for sparsity and time-grid irregularities, but most statistical and Machine

cultivation experiments sparse data deep set neural networks forecasting bio-process data

发现论文，激发创造

用图神经网络填补 G_ap_s：多元时间序列插值

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

时空深入克里金插值和概率预测

本文提出了一种基于深度神经网络的两阶段模型来进行时空插值和预测，并应用于 $PM_{2.5}$ 数据的快速插值和带不确定性的预测。

Jun, 2023

深度预测因素

本研究提出了一种混合模型，将经典时间序列模型与基于深度神经网络的模型结合起来，通过全局深度组件实现可扩展性和数据驱动，同时通过本地经典模型处理不确定性。实验证明，该模型在数据效率、准确性和计算复杂性方面具有优势。

May, 2019

使用混合深度神经网络从不完整数据中学习时空特征进行交通流预测

本文旨在探讨使用基于数据驱动模型的混合深度神经网络进行交通流预测的方法，针对加利福尼亚高速公路交通预测系统（PeMS）中的数据缺失问题，综合运用循环神经网络（RNNs）和卷积神经网络（CNNs）的空时关联性将邻近站点的数据融合，并使用多种数据预处理技术来提升模型的健壮性。结果表明，在数据缺失率达到 21% 以下时，采用平均值插补技术的混合模型的预测精度最高。

Apr, 2022

用于多变量时间序列的循环神经网络，含缺失值

本研究提出一种基于 GRU 的深度学习模型 GRU-D，利用缺失模式中的缺失值及其时间间隔，成功地捕获时间序列中的长期时间依赖关系，提高了时间序列分类任务的预测性能，并为缺失值在时间序列分析中的更好理解和利用提供了有用的见解。

Jun, 2016

利用高斯过程的深度因素进行预测

本文提出了一种结合了经典时间序列模型和深度神经网络优点的数据驱动和可扩展的混合模型，通过潜在的全局深层次组件和局部的经典高斯过程模型来处理不确定性，并在实践中展示了比现有技术更高的准确性。

Nov, 2018

多元时间序列插补的深度学习：综述

通过对最近提出的深度学习插补方法进行综合调查，本文首先提出了一种分类法，然后通过强调其优势和局限性对这些方法进行了结构化的审查。同时，我们还进行了实证实验，研究了不同方法并比较了它们对下游任务的改进效果。最后，指出了未来研究多变量时间序列插补的开放问题。

Feb, 2024

ImputeFormer: 用于可推广的时空插补的图变换器

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

基于图的缺失数据时空降采样预测

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

GP-VAE：深度概率时间序列插值

本文提出一种新的深度顺序潜变量模型，通过高斯过程在时间上平滑演化的抽象低维表示来实现缺失数据的非线性降维和数据插值，旨在解决在医疗和金融等领域中常见的缺失数据问题。我们的方法优于传统的和基于深度学习的数据插值方法，并提供可解释的不确定性估计。

Jul, 2019