用于多元时间序列回归并应用于地震数据的图神经网络

机器学习及其在深度学习方面的进展已在时间序列分析中展现出巨大潜力。然而，在许多场景中，可潜在改善预测的额外信息是存在的。这对于来自例如包含传感器位置信息的传感器网络的数据至关重要。此时，这类空间信息可通过图结构结合序列（时间序列）信息加以利用。近期将深度学习适配于图上的进展已在各类任务中显示出潜力。然而，这些方法在很大程度上尚未被适配于时间序列任务。大多数尝试基本集中在具有较小序列长度的时间序列预测上。一般而言，这些架构并不适合于回归或分类任务，其中待预测值并非严格依赖于最近的值，而是依赖于整个时间序列的长度。我们提出 TISER-GCN，一种用于处理特别是这些长时间序列的多元回归任务的新颖图神经网络架构。我们提出的模型在两个包含地震波形的地震数据集上进行了测试，目标是预测每个地震台站地面震动的最大烈度测量值。我们的发现展示了该方法的前景可期——与表现最佳的基线相比，平均 MSE 降低了 16.3%。此外，我们的方法仅需一半的输入规模即可匹配基线分数。结果通过额外的消融研究进行了深入讨论。