Forecasting Irregularly Sampled Time Series using Graphs

要約

欠損値を含む不規則にサンプリングされた時系列を予測することは、医療、天文学、気候科学などの多くの実世界のアプリケーションにとって重要なタスクです。
この問題に対する最先端のアプローチは、低速であることが知られている常微分方程式 (ODE) に依存しており、欠損値を処理するために追加の機能が必要になることがよくあります。
この問題に対処するために、欠損値を含む不規則にサンプリングされた時系列を予測するためのグラフを使用した、GraFITi と呼ばれる新しいモデルを提案します。
GraFITi は、まず時系列を疎な 2 部グラフである疎構造グラフに変換し、次に予測問題をグラフ内のエッジ重み予測タスクとして再定式化します。
グラフ ニューラル ネットワークの機能を利用してグラフを学習し、ターゲットのエッジの重みを予測します。
GraFITi は、欠損値を含む 3 つの現実世界と 1 つの合成の不規則にサンプリングされた時系列データセットでテストされ、さまざまな最先端のモデルと比較されています。
実験結果は、最先端の予測モデルと比較して、GraFITi が予測精度を最大 17% 向上させ、実行時間を最大 5 倍短縮することを示しています。

要約(オリジナル)

Forecasting irregularly sampled time series with missing values is a crucial task for numerous real-world applications such as healthcare, astronomy, and climate sciences. State-of-the-art approaches to this problem rely on Ordinary Differential Equations (ODEs) which are known to be slow and often require additional features to handle missing values. To address this issue, we propose a novel model using Graphs for Forecasting Irregularly Sampled Time Series with missing values which we call GraFITi. GraFITi first converts the time series to a Sparsity Structure Graph which is a sparse bipartite graph, and then reformulates the forecasting problem as the edge weight prediction task in the graph. It uses the power of Graph Neural Networks to learn the graph and predict the target edge weights. GraFITi has been tested on 3 real-world and 1 synthetic irregularly sampled time series dataset with missing values and compared with various state-of-the-art models. The experimental results demonstrate that GraFITi improves the forecasting accuracy by up to 17% and reduces the run time up to 5 times compared to the state-of-the-art forecasting models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google