不规则时间序列分析：空间与时间动力学的自适应建模
机器学习
2024-10-17 v1
摘要
不规则时间序列数据（IRTS）在实际应用中呈现日益增长的流行性。我们观察到，IRTS可分为两种特殊类型：自然不规则时间序列（NIRTS）和偶然不规则时间序列（AIRTS）。各种现有方法要么忽视不规则模式的影响，要么静态学习NIRTS和AIRTS数据的不规则动力学，由于IRTS稀疏，数据获取受限。我们提出了一种基于Transformer的新型通用不规则时间序列框架，将IRTS从四个视角（局部性、时间、空间和不规则性）进行处理，以最大化数据使用潜力。此外，我们设计了精细的不规则门控机制，以自适应方式从不规则性中选择任务相关信息，从而提高了对各种IRTS数据的泛化能力。我们实现了大量实验，以演示该方法对三个高缺失比例数据集（缺失率为88.4%、94.9%、60%）的抗干扰能力，并通过额外的消融研究探讨了不规则信息对NIRTS和AIRTS的显著性。我们在https://github.com/IcurasLW/MTSFormer-Irregular_Time_Series.git上发布了我们的实现。
引用
@article{arxiv.2410.12257,
title = {Irregularity-Informed Time Series Analysis: Adaptive Modelling of Spatial and Temporal Dynamics},
author = {Liangwei Nathan Zheng and Zhengyang Li and Chang George Dong and Wei Emma Zhang and Lin Yue and Miao Xu and Olaf Maennel and Weitong Chen},
journal= {arXiv preprint arXiv:2410.12257},
year = {2024}
}