【顶会论文推荐】-时间序列分析-源码公开_biased temporal convolution graph network for time

对这篇来自ICLR2024的论文非常有兴趣

OpenReview链接在文章末尾，可以下载原文，它源代码已经公开。建议先收藏本文。

Biased Temporal Convolution Graph Network for Time Series Forecasting with Missing Values

• 一句话总结：设计了一个有偏置的时间卷积图网络，用于有缺失值的多变量时间序列预测。

• 个人解读【推荐理由】：在时间序列分析任务中，我们似乎忽略或者默认了数据是完整的。被多数接纳的数据预处理手段有：删除、插补等。而实际上的采集到的数据往往存在这样那样的缺失。插补可能会导致次优的解决方案。如果要处理带有缺失值的多元时间序列预测任务，这篇论文可以给到很好的灵感，可以尝试去做针对缺失值的多变量时间序列分析任务。而这篇论文的源码也是公开的，我们可以有很不错的操作体验。但是，目前我对他的公开源码也有一点疑惑，源码中给到的示例数据集 Metr_La可以运行，效果也不错。但其他的比如交通数据集，本身含有缺失值的数据集似乎跑不通（我有点拉跨，不知道怎么修改），恳请跑过代码的朋友指教。

• 摘要：多变量时间序列预测在气象研究、交通管理、经济规划等领域有着重要的应用。在过去的几十年里，人们一直致力于在输入数据完整的前提下建立准确可靠的预测方法。然而，现实场景中的时间序列数据往往由于设备故障或昂贵的数据采集成本而被部分观测到，这严重影响了现有方法的性能。天真地使用填补方法不可避免地涉及误差累积，并导致次优的解决方案。受此启发，本文提出一种有偏的时间卷积图网络，联合捕获时间依赖和空间结构。将偏差注入到两个精心开发的模块中——多尺度实例PartialTCN和Biased gcn，以解释缺失的模式。

• 贡献：

  • 本文提出BiTGraph来联合捕获带有缺失值的时间序列预测的时间依赖和空间结构，所提出的模型在其模型设计中明确考虑了缺失模式。
  • 本文提出多尺度实例PartialTCN来有效建模由缺失值破坏的时序依赖，并提出有偏的GCN，通过以缺失模式感知的方式构建有偏图来在实例之间传播信息。
  • 在5个真实的基准数据集上进行验证，BiTGraph在各种缺失值场景下的预测性能比现有方法最高提高了9.93%。

• Framework：
  

• 方法论：归纳后简单的说，以TCN为主干捕获时间依赖，有偏GCN构建时间序列的空间结构。加入了视觉领域的掩码的思想解释了时间序列预测任务的缺失模式，结合了最近时间序列比较热门的多尺度的思想。方法论中的公式可以推理，值得花时间。方法论主要是以下几个方面：

  • MULTI-SCALE INSTANCE PARTIALTCN MODULE
  • BIASED GCN MODULE
  • HIERARCHICAL ARCHITECTURE

• 实验：对比了先进的时间序列的模型，也对比了针对缺失值的模型。设置了不同的缺失rate。

• 结论：本文提出位图(BiTGraph)，用于具有缺失值的时间序列预测。位图通过显式地考虑缺失值，联合捕捉了时间动态和空间结构。将偏差注入两个精心设计的模块，多尺度实例PartialTCN和Biased GCN，以解释缺失的模式。在5个真实的基准数据集上的实验结果验证了该算法在各种缺失值场景下的优越性。消融研究还表明，其出色的性能源于两个精心设计的多尺度实例PartialTCN和Biased GCN组件。未来，我们希望探索Transformer架构作为时间模块的骨干，以进一步提高其对部分观测时间序列数据的长期预测性能。

原文：https://openreview.net/forum?id=O9nZCwdGcG
源码：https://github.com/chenxiaodanhit/BiTGraph
源码偷懒下载点击这里