探索一种模型无关且无需插值的规则采样多变量时间序列建模方法
机器学习
2026-01-13 v3 人工智能
摘要
对规则采样且多变量时间序列（Irregularly-sampled Multivariate Time Series, IMTS）的建模对于不同变量在不同时间步因传感器故障或数据获取成本高而缺失的情况至关重要。现有方法要么采用两阶段的插值-建模框架，要么涉及针对特定模型和任务的专用架构。我们进行一系列实验，以深入了解IMTS方法在半合成数据集和真实世界数据集上进行分类和预测任务中的性能。我们还引入了缺失特征感知时间序列建模（Missing Feature-aware Time Series Modeling，MissTSM）或MissTSM，这是一种新颖的、模型无关且无需插值的IMTS建模方法。我们表明，MissTSM在IMTS方法中表现出竞争力，尤其是在缺失值比例大且数据缺乏简单周期结构的情况下——这些条件在真实世界的IMTS应用中常见。
引用
@article{arxiv.2502.15785,
title = {Investigating a Model-Agnostic and Imputation-Free Approach for Irregularly-Sampled Multivariate Time-Series Modeling},
author = {Abhilash Neog and Arka Daw and Sepideh Fatemi Khorasgani and Medha Sawhney and Aanish Pradhan and Mary E. Lofton and Bennett J. McAfee and Adrienne Breef-Pilz and Heather L. Wander and Dexter W Howard and Cayelan C. Carey and Paul Hanson and Anuj Karpatne},
journal= {arXiv preprint arXiv:2502.15785},
year = {2026}
}
备注
Accepted at TMLR