图神经网络用于时间序列的综述：预测、分类、填补与异常检测
机器学习
2024-08-12 v3 人工智能
摘要
时间序列是用于记录动态系统测量的主要数据类型，并由物理传感器和在线过程（虚拟传感器）大量生成。因此，时间序列分析对于释放可用数据中隐含的丰富信息至关重要。随着图神经网络（GNN）的近期进展，基于 GNN 的时间序列分析方法激增。这些方法可显式建模时间间与变量间关系，而传统及其他基于深度神经网络的方法难以做到。在本综述中，我们全面回顾了用于时间序列分析的图神经网络（GNN4TS），涵盖四个基本维度：预测、分类、异常检测和填补。我们的目标是引导设计者与从业者理解、构建应用并推进 GNN4TS 的研究。首先，我们提供面向任务的 GNN4TS 全面分类。然后，我们展示并讨论代表性研究工作，并介绍 GNN4TS 的主流应用。对潜在未来研究方向的全面讨论完结本综述。本综述首次汇集了基于 GNN 的时间序列研究的海量知识，突出了图神经网络用于时间序列分析的基础、实际应用与机遇。
引用
@article{arxiv.2307.03759,
title = {A Survey on Graph Neural Networks for Time Series: Forecasting, Classification, Imputation, and Anomaly Detection},
author = {Ming Jin and Huan Yee Koh and Qingsong Wen and Daniele Zambon and Cesare Alippi and Geoffrey I. Webb and Irwin King and Shirui Pan},
journal= {arXiv preprint arXiv:2307.03759},
year = {2024}
}
备注
37 pages, 6 figures, 7 tables; Project page: https://github.com/KimMeen/Awesome-GNN4TS