面向不规则部分观测时间序列数据的网络动力学系统的时序图神经 ODE 模型
机器学习
2024-12-03 v1
摘要
基于时间序列数据对系统演化进行建模是广泛领域中的一个具有挑战性且关键性的任务，尤其是在时间序列数据规律采样且部分可观测的情况下。已提出某些方法来估计区间内隐藏动力学，如神经 ODE 或指数衰减动态函数，并结合 RNN 来估计演化过程。然而，这些方法难以捕捉图结构时间序列数据中存在的空间和时间依赖关系，无法充分利用可用关系信息来插值缺失数据并预测未来状态。此外，传统的 RNN 方法使用共享的 RNN 单元来更新隐藏状态，这并未捕捉各种时间间隔和缺失状态信息对估计隐藏状态可靠性的影响。为解决此问题，本文提出了一种嵌入图神经 ODE 并具备可靠性和时序感知机制的方法，能够捕捉不规则采样和部分可观测时间序列数据中的空间和时间依赖关系以重构动态行为。还设计了一个考虑所提出方法生成增强数据的可靠性的损失函数，以进一步进行预测。该方法通过不同网络动力学系统的实验验证了其有效性。
引用
@article{arxiv.2412.00165,
title = {Modelling Networked Dynamical System by Temporal Graph Neural ODE with Irregularly Partial Observed Time-series Data},
author = {Mengbang Zou and Weisi Guo},
journal= {arXiv preprint arXiv:2412.00165},
year = {2024}
}