IBN：一种用于变量缺失下多元时间序列预测的可解释双向建模网络
机器学习
2025-09-10 v1
摘要
多元时间序列预测（MTSF）经常面临变量缺失的挑战，这阻碍了传统时空图神经网络对变量间相关性的建模。虽然GinAR首次利用基于注意力的插补和自适应图学习来解决变量缺失问题，但由于其简单的递归单元（RUs），它缺乏可解释性，并且无法捕捉更多潜在的时间模式。为了克服这些局限性，我们提出了可解释双向建模网络（IBN），它集成了不确定性感知插值（UAI）和基于高斯核的图卷积（GGCN）。IBN使用MC Dropout估计重建值的不确定性，并应用不确定性加权策略来降低高风险重建的影响。GGCN显式地建模变量间的空间相关性，而双向RU则增强了时间依赖性的建模。大量实验表明，IBN在各种缺失率场景下均达到了最先进的预测性能，为带有变量缺失的MTSF提供了一个更可靠、更可解释的框架。代码可在以下地址获取：https://github.com/zhangth1211/NICLab-IBN。
引用
@article{arxiv.2509.07725,
title = {IBN: An Interpretable Bidirectional-Modeling Network for Multivariate Time Series Forecasting with Variable Missing},
author = {Shusen Ma and Tianhao Zhang and Qijiu Xia and Yun-Bo Zhao},
journal= {arXiv preprint arXiv:2509.07725},
year = {2025}
}