基于生成对抗网络的不完整数据网络化时间序列预测
机器学习
2023-11-27 v3
摘要
网络化时间序列（NETS）是给定图上的一组时间序列，每个节点对应一个。它从智能交通、环境监测到智能电网管理具有广泛应用。此类应用中的一项重要任务是基于 NETS 的历史值与底层图预测其未来值。大多数现有方法需要完整数据用于训练。然而，在真实场景中，由于传感器故障、感知覆盖不全等导致数据缺失并不罕见。本文研究具有不完整数据的 NETS 预测问题。我们提出 NETS-ImpGAN，一种新颖的深度学习框架，可在历史与未来均含缺失值的不完整数据上训练。此外，我们提出图时间注意力网络（Graph Temporal Attention Networks），其结合注意力机制以捕获时间序列间与时间上的相关性。我们在四种真实数据集上针对不同缺失模式与缺失率进行了充分实验。实验结果显示 NETS-ImpGAN 优于现有方法，将 MAE 最多降低 25%。
引用
@article{arxiv.2110.02271,
title = {Networked Time Series Prediction with Incomplete Data via Generative Adversarial Network},
author = {Yichen Zhu and Bo Jiang and Haiming Jin and Mengtian Zhang and Feng Gao and Jianqiang Huang and Tao Lin and Xinbing Wang},
journal= {arXiv preprint arXiv:2110.02271},
year = {2023}
}