GinAR：适用于变量缺失的端到端多变量时间序列预测模型

多变量时间序列预测（MTSF）对于基于从多个序列的历史观察中识别的复杂关系来精确预测未来值/趋势至关重要。最近，基于空间-时间图神经网络（STGNN）的方法逐渐成为MTSF模型的热点，其在挖掘空间-时间依赖性方面具有强大的能力，但几乎所有方法都依赖历史数据完整性的假设。在现实情况下，由于数据收集器故障和耗时的修复等因素，收集完整的历史观察而不遗漏任何变量几乎不可能。在这种情况下，STGNN只能利用正常变量的子集，并且容易受到错误的空间-时间依赖性建模问题的影响，从而导致预测性能的下降。为此，本文提出一种 novel Graph Interpolation Attention Recursive Network（即GinAR），用于精确建模受限收集数据上的空间-时间依赖性以进行预测。在GinAR中，包含两个关键组件，即插值注意力和自适应图卷积，以取代简单递归单元的全连接层，从而能够恢复所有缺失变量并重建正确的空间-时间依赖性，以进行多变量时间序列数据的递归建模。在五个真实数据集上进行的大量实验表明，GinAR在11个SOTA基线上均表现出色，即使在90%变量缺失的情况下，也能准确预测所有变量的未来值。