Merlin：用于鲁棒多变量时间序列预测的多视角表示学习，支持非固定缺失率

多变量时间序列预测（MTSF）涉及预测多个相互关联的时间序列的未来值。近年来，基于深度学习的MTSF模型因其在挖掘MTS数据中语义（全局和局部信息）方面的潜力而受到广泛关注。然而，这些模型普遍易受数据收集器故障导致的缺失值影响。这些缺失值不仅扰乱了MTS的语义，其分布也随时间变化。然而，现有模型缺乏对此类问题的鲁棒性，导致次优的预测性能。为此，本文提出了多视角表示学习（Merlin），可以帮助现有模型在MTS中实现不同缺失率的不完整观测与完整观测之间的语义对齐。具体而言，Merlin由两个关键模块组成：离线知识蒸馏和多视角对比学习。前者利用教师模型指导学生模型从不完整观测中挖掘语义，类似于从完整观测中获得的信息。后者通过从不完整观测中不同缺失率构建的正/负数据对进行学习，提升学生模型的鲁棒性，确保不同缺失率之间的语义对齐。因此，Merlin能够在保持预测精度的同时，有效增强现有模型对非固定缺失率的鲁棒性。在四个真实数据集上的实验验证了Merlin的优越性。