Networked Time Series Prediction with Incomplete Data

要約

ネットワーク時系列(NETS)は、与えられたグラフ上の時系列のファミリーであり、各ノードに1つずつ存在する。NETSは、インテリジェント交通、環境モニタリングからモバイルネットワーク管理まで、幅広い用途に利用されている。このようなアプリケーションで重要なタスクは、NETSの過去の値と基礎となるグラフに基づいて将来の値を予測することである。既存の手法のほとんどは、学習に完全なデータを必要とする。しかし、実世界のシナリオでは、センサーの誤動作や不完全なセンシングカバレッジなどにより、データが欠落していることが珍しくない。本論文では、不完全データによる NETS 予測の問題を研究する。我々はNETS-ImpGANという新しいディープラーニングフレームワークを提案する。さらに、時系列間相関と時間的相関の両方を捉える注意メカニズムを組み込むことで、新しいグラフ時間的注意ネットワークを提案する。我々は、異なる欠測パターンと欠測率の下で、3つの実世界データセットに対して広範な実験を行った。実験の結果、NETS-ImpGANは、データが非常に低い分散を示す場合を除き、既存の手法を凌駕することが示された。

要約(オリジナル)

A networked time series (NETS) is a family of time series on a given graph, one for each node. It has found a wide range of applications from intelligent transportation, environment monitoring to mobile network management. An important task in such applications is to predict the future values of a NETS based on its historical values and the underlying graph. Most existing methods require complete data for training. However, in real-world scenarios, it is not uncommon to have missing data due to sensor malfunction, incomplete sensing coverage, etc. In this paper, we study the problem of NETS prediction with incomplete data. We propose NETS-ImpGAN, a novel deep learning framework that can be trained on incomplete data with missing values in both history and future. Furthermore, we propose novel Graph Temporal Attention Networks by incorporating the attention mechanism to capture both inter-time series correlations and temporal correlations. We conduct extensive experiments on three real-world datasets under different missing patterns and missing rates. The experimental results show that NETS-ImpGAN outperforms existing methods except when data exhibit very low variance, in which case NETS-ImpGAN still achieves competitive performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL