STRGCN：用于不规则多变量时间序列预测的捕获异步时空依赖关系
机器学习
2025-05-08 v1
摘要
不规则多变量时间序列 (IMTS) 在众多领域广泛存在，其中变化的传感器频率和非同步测量构成显著的建模挑战。现有方法常依赖对齐策略归一化数据，可能扭曲内在模式并增加计算和内存开销。为克服这些限制，我们引入 STRGCN（Spatio-Temporal Relational Graph Convolutional Network），通过将数据表示为完全连接图来避免对齐，直接捕获 IMTS 中复杂的相互依赖关系。每个观测值被表示为一个节点，从而有效处理错位的时间戳，映射所有节点间的关系，忠实保留数据异步性。此外，我们引入分层 "Sandwich" 结构，战略性地聚合节点以优化图嵌入，减少计算开销同时保持详细的局部和全局上下文。广泛的实验在四个公开数据集上表明，STRGCN 实现了最先进的准确率、具竞争力的内存使用情况和训练速度。
引用
@article{arxiv.2505.04167,
title = {STRGCN: Capturing Asynchronous Spatio-Temporal Dependencies for Irregular Multivariate Time Series Forecasting},
author = {Yulong Wang and Xiaofeng Hu and Xiaojian Cui and Kai Wang},
journal= {arXiv preprint arXiv:2505.04167},
year = {2025}
}