STDiff：面向工业系统时间序列插补的状态转移扩散框架
机器学习
2025-12-22 v3 人工智能
摘要
传感器数据不完整是工业时间序列分析的主要障碍。在污水处理厂（WWTPs）中，关键传感器因结垢、维护和停机而出现长而不规则的缺失。我们引入了 STDiff 和 STDiff-W，这两种基于扩散的插补器将缺失填充视为部分可观测条件下的状态空间模拟，其中目标、控制和外部信号都可能间歇性缺失。STDiff 学习一个以观测值和掩码为条件的一步转移模型，而 STDiff-W 则通过一个上下文编码器对其进行扩展，该编码器能联合修复连续缺失块，兼顾长程一致性与短期细节。在两个污水处理厂数据集（一个来自 Agtrup 的合成块缺失，另一个来自 Avedøre 的自然故障）上，与 SAITS、BRITS 和 CSDI 等强大的神经基线模型相比，STDiff-W 取得了最先进的精度。除了点误差指标外，其重建结果还保留了包括振荡、尖峰和状态转换在内的真实动态，并且与强神经基线相比，其下游一步预测性能达到最优或并列最优，这表明保留动态特性并不以牺牲预测效用为代价。消融研究表明，对控制或外源输入进行丢弃、打乱或添加噪声会持续降低 NH4 和 PO4 的性能，其中移除外部信号时性能下降最大，这表明模型捕获了有意义的依赖关系。我们最后给出了部署的实践指导：使用面向任务和可视化的检查来评估 MAE 之外的性能，纳入外源驱动因素，并在计算成本与对结构化缺失的鲁棒性之间取得平衡。
引用
@article{arxiv.2508.19011,
title = {STDiff: A State Transition Diffusion Framework for Time Series Imputation in Industrial Systems},
author = {Gary Simethy and Daniel Ortiz-Arroyo and Petar Durdevic},
journal= {arXiv preprint arXiv:2508.19011},
year = {2025}
}
备注
Peer-reviewed and published in Expert Systems with Applications, Volume 302 (2026). This version reflects the published article