利用图对不规则采样时间序列进行预测
机器学习
2023-08-11 v2
摘要
对带有缺失值的不规则采样时间序列进行预测是医疗、天文学和气候科学等众多现实应用中的关键任务。解决该问题的最先进方法依赖于常微分方程（ODEs），其已知速度较慢且常需额外特征来处理缺失值。为解决此问题，我们提出一种利用图对带有缺失值的不规则采样时间序列进行预测的新模型，称为 GraFITi。GraFITi 首先将时间序列转换为稀疏二部图（即稀疏结构图），然后将预测问题重新表述为图中的边权预测任务。它利用图神经网络（Graph Neural Networks）的能力来学习该图并预测目标边权。GraFITi 已在 3 个真实世界和 1 个合成的不规则采样含缺失值时间序列数据集上测试，并与多种最先进模型比较。实验结果表明，与最先进预测模型相比，GraFITi 将预测精度提高至多 17%，并将运行时间减少至多 5 倍。
引用
@article{arxiv.2305.12932,
title = {Forecasting Irregularly Sampled Time Series using Graphs},
author = {Vijaya Krishna Yalavarthi and Kiran Madhusudhanan and Randolf Sholz and Nourhan Ahmed and Johannes Burchert and Shayan Jawed and Stefan Born and Lars Schmidt-Thieme},
journal= {arXiv preprint arXiv:2305.12932},
year = {2023}
}