面向多变量时间序列缺失值插值的开关稀疏网络挖掘
机器学习
2024-09-17 v1
摘要
多变量时间序列数据存在缺失值的问题，这会阻碍许多分析方法的应用。要实现对这些缺失值的准确插值，利用序列间相关性（即网络）的关系与利用时序依赖关系同等重要，因为一个序列通常与其他序列相关。此外，根据时间恰当地利用网络也是必要的，因为网络会随时间变化。然而，在实际情况下，我们通常既不知道网络结构，也不知道网络何时变化。本文提出了一种用于多变量时间序列的缺失值插值方法，称为 MissNet，它设计用于利用时序依赖性和通过开关稀疏网络利用序列间相关性。该网络编码了特征之间的条件独立性，这有助于我们从视觉上理解插值所需的重要关系。我们的算法相对于数据长度具有线性规模，交替推断网络并填充缺失值，同时发现网络的切换。广泛的实验表明，MissNet 在多变量时间序列插值方面优于现有方法，并提供可解释的结果。
引用
@article{arxiv.2409.09930,
title = {Mining of Switching Sparse Networks for Missing Value Imputation in Multivariate Time Series},
author = {Kohei Obata and Koki Kawabata and Yasuko Matsubara and Yasushi Sakurai},
journal= {arXiv preprint arXiv:2409.09930},
year = {2024}
}
备注
Accepted by KDD 2024