联合建模局部与全局时间动态的多变量时间序列缺失值预测
机器学习
2019-11-26 v1 机器学习
摘要
多变量时间序列(MTS)预测广泛应用于气象、交通等多个领域。由于数据采集、传输与存储的局限性,现实世界中的 MTS 数据通常含有缺失值,导致线性回归、循环神经网络等现有 MTS 预测模型无法直接应用。尽管已有诸多研究致力于该问题,但多数仅依赖局部依赖关系来填补缺失值,忽略了全局时间动态。当缺失比例较高或存在连续缺失值时,局部依赖/模式的作用会减弱;而挖掘全局模式可缓解此类问题。因此,联合建模局部与全局时间动态对于含缺失值的 MTS 预测极具前景。然而,该方向的研究相当有限。为此,我们研究了一种新颖的含缺失值 MTS 预测问题,通过联合探索局部与全局时间动态来求解。我们提出了新框架 LGnet,其利用记忆网络在局部视角估计的基础上挖掘全局模式。我们进一步引入对抗训练以增强对全局时间分布的建模。在真实数据集上的实验结果表明,LGnet 在含缺失值的 MTS 预测上有效,且在各种缺失比例下具有鲁棒性。
引用
@article{arxiv.1911.10273,
title = {Joint Modeling of Local and Global Temporal Dynamics for Multivariate Time Series Forecasting with Missing Values},
author = {Xianfeng Tang and Huaxiu Yao and Yiwei Sun and Charu Aggarwal and Prasenjit Mitra and Suhang Wang},
journal= {arXiv preprint arXiv:1911.10273},
year = {2019}
}
备注
Accepted by AAAI 2020