面向多变量时间序列插值的高阶时空物理融合图神经网络
机器学习
2024-07-19 v2 人工智能
摘要
探索缺失值是由于时间序列中复杂的潜在时空相关性和动态特性所带来的关键但具有挑战性的问题。由于在处理结构学习潜在能力方面的卓越表现，图神经网络（GNN）和循环神经网络（RNN）常被用于捕捉多变量时间序列中的复杂时空特征。然而，这些数据驱动模型在信号严重损坏时往往无法捕捉到必需的时空关系。此外，这些模型中计算高阶邻居节点的计算复杂度也较高。为此，我们提出了一种新型的高阶时空物理融合图神经网络（HSPGNN）。首先，通过空间注意力机制获取动态拉普拉斯矩阵。随后，利用物理动态系统的通用非齐次偏微分方程（PDE）构建动态的高阶时空图神经网络，以获取缺失的时间序列值。此外，我们采用正规化流（NF）来估计缺失的影响，以评估图中每个节点的重要性，从而实现更好的可解释性。实验结果表明，HSPGNN在四个基准数据集上均显示出有效性，并且在结合 various 阶邻居节点时表现出优越性能。此外，HSPGNN还能自然获得类似于光流的图结构、动态图以及缺失影响，提供了比传统数据驱动模型更好的动态分析和解释。我们的代码已公开于 https://github.com/gorgen2020/HSPGNN。
引用
@article{arxiv.2405.10995,
title = {Higher-order Spatio-temporal Physics-incorporated Graph Neural Network for Multivariate Time Series Imputation},
author = {Guojun Liang and Prayag Tiwari and Slawomir Nowaczyk and Stefan Byttner},
journal= {arXiv preprint arXiv:2405.10995},
year = {2024}
}
备注
18 pages, 7 figures, CIKM 2024