SDA-GRIN：用于自适应时空多变量时间序列插值的空间动态感知图神经网络
机器学习
2025-05-06 v2 人工智能
摘要
在各种应用中，多变量时间序列常常存在缺失数据。这一问题会显著扰动依赖数据的系统。可以利用空间和时间依赖性来进行插值。现有插值方法往往忽略空间依赖性的动态变化。我们提出了一种空间动态感知图递归插值网络（Spatial Dynamic Aware Graph Recurrent Imputation Network, SDA-GRIN），其能够捕捉空间依赖性的动态变化。SDA-GRIN利用多头注意力机制使图结构随时间自适应。SDA-GRIN将多变量时间序列建模为一序列时序图，并使用递归消息传递架构进行插值。我们在四个真实数据集上评估了SDA-GRIN：在AQI数据集上，SDA-GRIN的均方误差（MSE）改进了9.51%；在AQI-36数据集上改进了9.40%。在PEMS-BAY数据集上，实现了MSE提升1.94%。详细的消融研究展示了窗口大小和缺失数据对方法性能的影响。项目页面：https://ameskandari.github.io/sda-grin/
引用
@article{arxiv.2410.03954,
title = {SDA-GRIN for Adaptive Spatial-Temporal Multivariate Time Series Imputation},
author = {Amir Eskandari and Aman Anand and Drishti Sharma and Farhana Zulkernine},
journal= {arXiv preprint arXiv:2410.03954},
year = {2025}
}