S4M: 用于缺失值 multivariate time series forecasting 的 S4
机器学习
2025-03-04 v1 人工智能
摘要
多变量时间序列数据在广泛的实际应用中起着关键作用。然而，块状缺失数据会引入显著挑战，常常损害预测模型的性能。传统的两步方法先进行缺失值插补，再进行预测，容易在由高缺失比例和复杂依赖结构特征的多变量环境中导致误差累积。本文引入了 S4M，一个无缝将缺失数据处理集成到结构化状态空间序列(S4)模型架构中的 end-to-end 时间序列预测框架。不同于传统方法将插补视为独立的预处理步骤，S4M 利用 S4 模型的潜在空间直接识别和表示缺失数据模式，从而更有效地捕获 underlying temporal 和 multivariate 依赖关系。我们的框架由两个关键组件组成：自适应时序原型映射器(ATPM)和缺失感知双流 S4(MDS-S4)。ATPM 使用原型库从历史数据模式中派生出稳健且信息丰富的表示，而 MDS-S4 则将这些表示与缺失性掩码作为双输入流处理，以实现准确的预测。通过在多样化真实数据集上的广泛实证评估，我们展示了 S4M 始终能够实现领先的性能。这些结果凸显了集成方法在处理缺失数据方面的有效性，展示了其鲁棒性和优于传统插补方法的优势。我们的发现突显了 S4M 在实际应用中实现可靠时间序列预测的潜力，为未来的研究和部署提供了有前景的方向。代码已公开于 https://github.com/WINTERWEEL/S4M.git。
引用
@article{arxiv.2503.00900,
title = {S4M: S4 for multivariate time series forecasting with Missing values},
author = {Jing Peng and Meiqi Yang and Qiong Zhang and Xiaoxiao Li},
journal= {arXiv preprint arXiv:2503.00900},
year = {2025}
}