缺失值下的多变量时间序列预测再审视
机器学习
2026-02-03 v3 人工智能
机器学习
摘要
缺失值在真实世界时间序列中普遍存在，缺失值下的多变量时间序列预测（MTSF-M）已成为确保可靠预测的关键研究领域。为应对缺失数据的挑战，现有方法发展了先填补后预测框架，使用填补模块填充缺失值，然后在填补数据上进行预测。然而，该框架忽略了一个关键问题：缺失值没有真值，使得填补过程容易产生误差，从而降低预测精度。在本文中，我们进行系统的实证研究，揭示无直接监督的填补会破坏底层数据分布并主动降低预测精度。为解决此问题，我们提出一种范式转变，即摒弃填补，直接从部分观测时间序列进行预测。我们提出基于信息瓶颈原理的一致性正则化信息瓶颈（CRIB）框架。CRIB结合统一变量注意力机制与一致性正则化方案，学习鲁棒表示以过滤缺失值引入的噪声，同时保留必要的预测信号。在四个真实数据集上的全面实验验证了CRIB的有效性，即使在高缺失率下也能准确预测。我们的代码可在 https://github.com/Muyiiiii/CRIB 获取。
引用
@article{arxiv.2509.23494,
title = {Revisiting Multivariate Time Series Forecasting with Missing Values},
author = {Jie Yang and Yifan Hu and Kexin Zhang and Luyang Niu and Philip S. Yu and Kaize Ding},
journal= {arXiv preprint arXiv:2509.23494},
year = {2026}
}