HyperIMTS：用于不规则多变量时间序列预测的超图神经网络
机器学习
2025-05-26 v1
摘要
不规则多变量时间序列 (IMTS) 以变量内不规则时间间隔和变量间不可对齐观测值为特征，这给学习时序依赖和变量依赖带来了挑战。许多现有 IMTS 模型要么需要填充样本才能分别学习时序和变量维度，要么通过二分图或集合表示原始样本。然而，前者方法常需处理额外的填充值，影响效率并扰乱原始采样模式；后者方法在捕获不可对齐观测之间的依赖方面存在局限。为统一表示和学习来自原始观测的所有依赖，我们提出 HyperIMTS，一个用于不规则多变量时间序列预测的超图神经网络。将观测值转换为超图中的节点，通过时序和变量超边相互连接，以实现所有观测之间的消息传递。通过不规则感知的消息传递，HyperIMTS 以时序自适应方式捕获变量依赖，从而实现准确预测。实验表明，HyperIMTS 在 IMTS 预测中表现出色，计算成本低。
关键词
引用
@article{arxiv.2505.17431,
title = {HyperIMTS: Hypergraph Neural Network for Irregular Multivariate Time Series Forecasting},
author = {Boyuan Li and Yicheng Luo and Zhen Liu and Junhao Zheng and Jianming Lv and Qianli Ma},
journal= {arXiv preprint arXiv:2505.17431},
year = {2025}
}
备注
Accepted in ICML 2025