KDDMay, 2024

GinAR: 适用于变量缺失的端到端多元时间序列预测模型

PDF
TL;DR我们提出了一种名为 GinAR 的图内插注意递归网络，以准确地对有限收集的数据进行空间时间依赖性建模，从而解决历史缺失数据的问题。GinAR 通过内插注意力和自适应图卷积这两个关键组件，能够恢复所有缺失变量，并重新构建正确的空间时间依赖性，以递归建模多变量时间序列数据。我们在五个实际数据集上进行了广泛实验，结果表明 GinAR 在效果上优于 11 个先进基准模型，即便在 90% 的变量缺失的情况下，仍能准确预测所有变量的未来值。
发现论文，激发创造
  • ST-GIN：基于时空图注意力和双向循环联合神经网络的交通数据填充不确定性量化方法

    本文提出一种创新的深度学习方法来填充交通数据中的缺失值，采用图形关注架构和双向神经网络来捕捉交通数据中的空间和时间相关性，实验结果表明该方法优于所有基准技术，展示了其有效性。

    May, 2023

  • 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

  • 多元时间序列预测中发现图模型的稀疏性利用

    本文提出了一种分离式训练方法，利用 GraphLASSO 算法生成稀疏图结构，使用 Graph Convolutional Recurrent Network 模型进行多元时间序列预测，实验结果表明，该方法可以在保证模型性能的同时，生成稀疏，有意义且易于解释的图结构，并且训练时间减少了约 40%。

    Jun, 2023

  • 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

  • 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

  • 多元时间序列预测的频谱时空图神经网络

    本篇论文提出了一种 Spectral Temporal Graph Neural Network (StemGNN) 模型，通过 Graph Fourier Transform （GFT）和 Discrete Fourier Transform（DFT）相结合的方法，同时捕获了时间序列内部的时间相关性和时间序列间的相关性，在预测方面具有良好的性能。此外，该模型在不使用预定义先验的情况下自动地学习序列间的相关性。

    Mar, 2021

  • 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

  • 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

  • STGIN：用于长序列交通速度预测的时空图形推理网络

    本研究提出了一种新的空间 - 时间神经网络体系结构，称为 Spatial-Temporal Graph-Informer (STGIN)，通过融合信息召唤器 (Informer) 和图形注意力网络 (GAT) 层进行空间和时间关系提取，以处理长期交通参数预测问题。通过对两个真实交通数据集的实验结果进行验证，表明这种模型具有长序列预测能力。

    Oct, 2022

  • 利用局部和全局时间动态进行多元时间序列预测建模与缺失值处理

    研究多元时间序列预测模型中解决缺失值问题，提出了一种新的组合局部和全局时间动态的框架 LGnet，并探索了记忆网络和对抗训练的应用，实验证明其在不同缺失比例下的预测有效性和健壮性。

    Nov, 2019