用于时空时间序列插补的因果感知时空图神经网络

时空时间序列通常通过部署在不同位置的监测传感器收集，由于机械损坏和互联网中断等各种故障，通常包含缺失值。插补缺失值对于分析时间序列至关重要。在恢复特定数据点时，现有大多数方法会考虑与该点相关的所有信息，而忽略因果关系。在数据收集过程中，不可避免地会包含一些未知的混淆因子，例如时间序列中的背景噪声和所构建传感器网络中的非因果捷径边。这些混淆因子可能会打开后门路径，并在输入与输出之间建立非因果相关性。过度利用这些非因果相关性可能导致过拟合。在本文中，我们首先从因果视角重新审视时空时间序列插补，并展示如何通过前门调整来阻断混淆因子。基于前门调整的结果，我们引入了一种新颖的因果感知时空图神经网络，包含新颖的基于提示的解码器（PBD）和时空因果注意力（SCA）。PBD 能够降低混淆因子的影响，而 SCA 能够发现嵌入之间的稀疏因果关系。理论分析表明，SCA 基于梯度值发现因果关系。我们在三个真实世界数据集上评估了 Casper，实验结果表明 Casper 优于基线方法并能有效发现因果关系。