GinAR: An End-To-End Multivariate Time Series Forecasting Model Suitable for Variable Missing

多元时间序列预测（MTSF）对于决策非常关键，因为它可以基于历史观测到的多个序列的复杂关系精确地预测未来的值/趋势。最近，空间-时间图神经网络（STGNN）逐渐成为MTSF模型的主题，因为它们在挖掘空间-时间依赖性方面具有强大的能力，但几乎所有STGNN模型都严重依赖于历史数据的完整性的假设。实际上，由于数据收集器故障和耗时的修复等因素，很难收集到完整的历史观测数据，而不缺少任何变量。在这种情况下，STGNN只能利用一部分正常变量，并容易遭受不正确的空间-时间依赖建模问题，导致其预测性能下降。为了解决这个问题，在本文中，我们提出了一种新的图插值注意递归网络（称为GinAR），以精确地模拟有限收集数据上的空间-时间依赖性进行预测。在GinAR中，它包括两个关键组件，即插值注意力和自适应图卷积，来代替简单递归单元的全连接层，因此能够恢复所有缺失的变量和重构正确的空间-时间依赖关系，分别用于递归建模多元时间序列数据。在五个真实世界数据集上进行的大量实验表明，GinAR优于11个SOTA基线，即使缺失90％的变量，它仍然能够准确预测所有变量的未来值。

如何在历史数据不完整的情况下，精确地预测多元时间序列数据的未来值？

提出了一种名为GinAR的新型图插值注意递归网络，用于精确地建模有限采集数据的空间-时间依赖关系，包括插值注意力和自适应图卷积两个关键组件，能够恢复所有缺失变量并重构正确的空间-时间依赖关系，从而递归地建模多元时间序列数据。

论文使用了五个真实世界数据集进行了广泛的实验，证明了GinAR优于11个SOTA基线，即使在90%的变量缺失情况下，仍然能够准确预测所有变量的未来值。此外，论文还提供了开源代码。

最近的相关研究包括：1. Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recognition；2. Graph WaveNet for Deep Spatial-Temporal Graph Modeling；3. Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting；4. Graph Attention Networks；5. Spatial-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting。