Multi-Scale Temporal Interpolation Patch Graph Neural Network for Multivariate Time Series Forecasting With Missing Values

Wenchang Zhang

doi:10.1109/TBDATA.2025.3639915

Multi-Scale Temporal Interpolation Patch Graph Neural Network for Multivariate Time Series Forecasting With Missing Values

2025-12-04

0

PRE

AI

DOI：10.1109/TBDATA.2025.3639915

原文链接

原文求助

摘要

En 中文

近期研究表明，时空图神经网络在处理含缺失值的多变量时间序列预测方面具有显著潜力。这些方法通常将时间序列间的交互表示为图结构，其中每个时间步编码为图节点。现有方法主要依赖自学习或预定义的图结构来捕捉时序数据中的空间依赖关系。然而，在真实应用中，节点间的交互往往是方向性的，且可能跨越长时域距离。此外，在高缺失率下，跨时间尺度的插值在重建缺失时间序列时往往产生不一致的结果。为解决这些挑战，本文研究了时间序列中缺失值的定向交互及其多尺度插值过程。我们提出了多尺度时序插值补丁图神经网络（MTIPG），该模型能够在数据有限的情况下实现精确的时空建模。具体而言，我们首先设计了一种结合空洞卷积的层级结构，用于捕捉特定时间尺度下缺失序列的特征插值。然后，通过计算缺失序列头尾嵌入的余弦相似度来量化补丁间的位置关系，从而促进缺失变量的隐式建模和方向性信息传播。最后，我们将这些模块整合以生成准确的预测结果。在四个真实数据集上的大量实验表明，MTIPG在不同缺失率下均显著优于现有最优基线方法，即使在高达60%的缺失数据情况下，也能实现对所有变量未来值的准确预测。

Keyword:

Missing values

multivariate time series forecasting

multi-scale temporal interpolation

patch graph neural network

directional

Multi-Scale Temporal Interpolation Patch Graph Neural Network for Multivariate Time Series Forecasting With Missing Values

摘要

期刊

机构

引用论文