MTSCI: 用于多元时间序列一致性填补的条件扩散模型

缺失值在多元时间序列中普遍存在，会破坏分析的完整性并降低下游任务的性能。因此，研究聚焦于多元时间序列填补，旨在基于可观测数据准确填补缺失值。一个关键研究问题是如何确保填补一致性，即观测值与填补值之间的内部一致性，以及填补后相邻窗口之间的外部一致性。然而，先前的方法仅依赖填补目标的归纳偏置来引导学习过程，忽略了填补一致性，最终导致性能不佳。扩散模型以其强大的生成能力著称，倾向于基于可观测数据生成一致的结果。因此，我们提出了一种用于多元时间序列一致性填补（MTSCI）的条件扩散模型。具体而言，MTSCI在正向加噪过程中采用对比互补掩码生成双视图。然后计算对比损失以确保填补值与观测值之间的内部一致性。同时，MTSCI在去噪过程中利用mixup机制引入相邻窗口的条件信息，促进填补样本之间的外部一致性。在多个真实数据集上的大量实验表明，我们的方法在不同缺失场景下的多元时间序列填补任务中达到了最先进性能。代码可在 https://github.com/JeremyChou28/MTSCI 获取。