使用图表预测不规则采样时间序列
摘要：使用图形进行预测不规则采样的时间序列中的缺失值是许多实际应用中的关键任务，例如医疗保健、天文学和气候科学。这个问题的现有方法依赖于已知的微分方程(ODEs)，这些方程已知速度较慢，并且通常需要额外的功能来处理缺失值。为了解决这个问题，我们提出了一种新模型，使用图形来预测具有缺失值的不规则采样时间序列，我们将其称为GraFITi。GraFITi首先将时间序列转换为稀疏双分图的稀疏性结构图，然后将预测问题重构为图中的边权重预测任务。它利用图神经网络的能力来学习图形并预测目标边权重。GraFITi已在3个真实世界和1个合成的不规则采样时间序列数据集上进行了测试，并与各种最先进的模型进行了比较。实验结果表明，与最先进的预测模型相比，GraFITi将预测准确性提高了高达17%，缩短了运行时间高达5倍。
作者：Vijaya Krishna Yalavarthi, Kiran Madhusudhanan, Randolf Sholz, Nourhan Ahmed, Johannes Burchert, Shayan Jawed, Stefan Born, Lars Schmidt-Thieme
论文ID：2305.12932
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-08-11