BayOTIDE：基于函数分解的贝叶斯在线多元时间序列插补

在交通、能源等现实场景中，广泛存在带有缺失值和噪声甚至非规则采样的大规模时间序列。尽管已有许多插补方法被提出，但大多数以局部视界工作，即通过将长序列切分为合适大小的块来训练模型。这种局部视界会使模型忽略全局趋势或周期模式。更重要的是，几乎所有方法都假设观测在规则时间戳上采样，无法处理不同应用产生的复杂非规则采样时间序列。第三，大多数现有方法以离线方式学习，因此不适用于许多具有快速到达流式数据的应用。为克服这些局限，我们提出 BayOTIDE：基于函数分解的贝叶斯在线多元时间序列插补。我们将多元时间序列视为具有不同模式的若干组低秩时间因子的加权组合。我们应用一组带有不同核的高斯过程（GPs）作为函数先验来拟合这些因子。为计算高效，我们进一步通过构造等价的随机微分方程（SDE）将 GPs 转换为状态空间先验，并开发可扩展的在线推断算法。所提方法不仅能处理任意时间戳上的插补，还能为下游应用提供不确定性量化与可解释性。我们在合成与真实数据集上评估了该方法。我们在 {https://github.com/xuangu-fang/BayOTIDE} 发布了代码。