用图神经网络处理变维度时间序列

物联网（IoT）技术的若干应用涉及从多个传感器捕获数据，从而形成多传感器时间序列。现有的基于神经网络的此类多传感器或多元时间序列建模方法假定固定的输入维度或传感器数量。当同一设备或装备（如手机、可穿戴设备、引擎等）的不同实例带有不同组合的已安装传感器时，这类方法在实际情况中会遇到困难。我们考虑从此类多传感器时间序列中训练神经网络模型，其中由于每个时间序列源处可用或安装的传感器子集不同，时间序列具有变化的输入维度。我们提出了一种适用于零样本迁移学习的新型神经网络架构，允许对具有测试时未见过的可用维度或传感器组合的多变量时间序列进行鲁棒推断。这种组合泛化是通过用一个“条件向量”来调节基于核心神经网络的时间序列模型的各层实现的，该向量携带每个时间序列可用传感器组合的信息。此条件向量通过图神经网络汇总时间序列中可用传感器对应的所学“传感器嵌入向量”集合得到。我们在公开的活动识别与设备 prognostics 数据集上评估了所提方法，并表明与深度门控循环神经网络基线相比，所提方法具有更好的泛化能力。