论文标题：Adapting to the stream: an instance-attention GNN method for irregular multivariate time series data

期刊：Frontiers of Computer Science

作者：Kun HAN , Abigail M Y KOAY , Ryan K L KO , Weitong CHEN, Miao XU

发表时间：12 Aug 2024

DOI：10.1007/s11704-024-40449-z

微信链接：点击此处阅读微信文章

引用格式：

Kun HAN, Abigail M Y KOAY, Ryan K L KO, Weitong CHEN, Miao XU. Adapting to the stream: an instance-attention GNN method for irregular multivariate time series data. Front. Comput. Sci., 2025, 19(8): 198340

阅读原文：

问题概述

多变量时间序列（MTS）数据在许多应用中至关重要，尤其是在机器学习任务中。然而，传感器故障等问题会导致数据不规则、不对齐和缺失，从而增加分析难度。尽管最近的图神经网络（GNN）进展能处理不规则多变量时间序列（IMTS），但它们通常需要可靠的图结构来捕捉节点间的相关性。由于IMTS数据经常是流数据，等待未来数据来估计合适的图结构是不切实际的。

图1. 常规多变量时间序列与不规则多变量时间序列的比较

技术步骤

从最少的初始数据开始，我们的方法主动评估节点关系，实现实时图学习和适应。我们方法的核心是双重策略：首先，减少初始数据依赖以构建模型鲁棒性，从而最小化对预定义图结构或大量数据集的依赖；其次，通过基于实例的注意力机制实现连续学习，这在RNN框架内促进依赖图的实时演化。

图2. DynIMTS的框架。该模型是基于时空编码器的递归结构，包含三个主要组件：嵌入学习、时空学习和图学习。

实验结果

在真实世界数据集上的实证评估表明，我们的方法显著优于现有的最新解决方案。

图3. 我们模型在汇率数据集上以20%缺失数据率的插补结果的可视化，跨越八个维度。

图4. P19数据集在第0、10和20个epoch的邻接矩阵的可视化。

期刊简介

 Frontiers of Computer Science （FCS）是由教育部主管、高等教育出版社和北京航空航天大学共同主办，南京大学支持，SpringerNature 公司海外发行的英文学术期刊。本刊于 2007 年创刊，月刊，全球发行。主要刊登计算机科学领域具有创新性的综述论文、研究论文等。本刊主编为周志华教授，共同主编为熊璋教授。编委会及青年 AE 团队由国内外知名学者及优秀青年学者组成。本刊被 SCI、Ei、DBLP、INSPEC、SCOPUS 和中国科学引文数据库（CSCD）核心库等收录，为 CCF 推荐B类期刊；两次入选“中国科技期刊国际影响力提升计划”；入选“第4届中国国际化精品科技期刊”；两次入选“中国科技期刊卓越行动计划”（一期梯队、二期领军）。

中国学术前沿期刊网

http://journal.hep.com.cn