SDA-GRIN for Adaptive Spatial-Temporal Multivariate Time Series Imputation

要約

様々なアプリケーションにおいて、多変量時系列はしばしば欠損データに悩まされる。この問題は、データに依存するシステムを大きく混乱させる可能性がある。空間的および時間的な依存関係は、欠損サンプルをインピュテーションするために活用することができる。既存のインピュテーション手法は、空間的な依存関係の動的な変化を無視することが多い。SDA-GRINは、時間と共にグラフ構造を適応させるために、マルチヘッドアテンションメカニズムを活用する。SDA-GRINは多変量時系列を時系列グラフのシーケンスとしてモデル化し、リカレントメッセージパッシングアーキテクチャを用いてインピュテーションを行う。SDA-GRINを4つの実世界データセットで評価する：SDA-GRINはAQIで9.51%、AQI-36で9.40%MSEを改善した。PEMS-BAYデータセットでは、MSEで1.94%の改善を達成した。詳細なアブレーション研究では、ウィンドウサイズと欠損データが本手法の性能に及ぼす影響を実証している。プロジェクトページ:https://ameskandari.github.io/sda-grin/

要約(オリジナル)

In various applications, the multivariate time series often suffers from missing data. This issue can significantly disrupt systems that rely on the data. Spatial and temporal dependencies can be leveraged to impute the missing samples. Existing imputation methods often ignore dynamic changes in spatial dependencies. We propose a Spatial Dynamic Aware Graph Recurrent Imputation Network (SDA-GRIN) which is capable of capturing dynamic changes in spatial dependencies.SDA-GRIN leverages a multi-head attention mechanism to adapt graph structures with time. SDA-GRIN models multivariate time series as a sequence of temporal graphs and uses a recurrent message-passing architecture for imputation. We evaluate SDA-GRIN on four real-world datasets: SDA-GRIN improves MSE by 9.51% for the AQI and 9.40% for AQI-36. On the PEMS-BAY dataset, it achieves a 1.94% improvement in MSE. Detailed ablation study demonstrates the effect of window sizes and missing data on the performance of the method. Project page:https://ameskandari.github.io/sda-grin/

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL