非等间隔采样时间序列预测的图模型
一、时序预测存在的问题
传统时间序列预测模型通常希望输入是一个规则矩阵：
| 时间 | SO₂ | NOx | 温度 |
|---|---|---|---|
| 10:00:00 | 20.1 | 35.2 | 26.0 |
| 10:05:00 | 21.3 | 36.0 | 26.5 |
| 10:10:00 | 22.4 | 37.1 | 27.0 |
但真实数据往往具有以下特点：
（1）各时间点之间的间隔不固定；
（2）不同变量不一定同时被观测；
（3）缺失值很多；
（4）如果强行重采样，会制造大量人为时间点和插值数据。
| 时间 | SO₂ | NOx | 温度 |
|---|---|---|---|
| 10:10:01 | 20.1 | 35.2 | Nan |
| 10:15:00 | Nan | 36.0 | 26.5 |
| 10:16:12 | 22.4 | Nan | 27.0 |
二、论文核心思想
2026年，我有幸拜读了发表于第38届人工智能促进协会国际会议（AAAI-24）的论文《GraFITi: Graphs for Forecasting Irregularly Sampled Time Series》。该论文由德国希尔德斯海姆大学信息系统与机器学习实验室和德国柏林工业大学数学研究所的研究人员共同完成，其将非等间隔时间序列预测表述为图上的边权预测问题，为处理非规则采样和高缺失率数据提供了新的研究思路。
该论文的核心思想是将非等间隔时间序列预测问题转化为图结构中的边权预测问题。其基本过程为：首先，将原始非等间隔时间序列转换为二部图；随后，利用图神经网络在图结构中传播和聚合信息；最后，通过预测目标边的权重，得到指定未来时间点上的时间序列预测值。具体而言，GraFITi 将时间序列中的变量表示为一类节点，将真实的观测时间点表示为另一类节点。当某个变量在某个时间点存在真实观测值时，便在对应的变量节点与时间节点之间建立一条边，并将该观测值作为边特征；对于缺失位置，则不建立观测边。对于需要预测的未来值，模型增加相应的未来时间节点，并在该时间节点与目标变量节点之间建立一条权重未知的目标边。随后，利用包含注意力机制的图神经网络对节点表示和边表示进行多层更新，最终将目标边的表示映射为预测值。
参考文献
1 YALAVARTHI V K, MADHUSUDHANAN K, SCHOLZ R, et al. GraFITi: Graphs for forecasting irregularly sampled time seriesC//Proceedings of the AAAI Conference on Artificial Intelligence. 2024, 38(15): 16255-16263. DOI: 10.1609/aaai.v38i15.29560.
代码：git clone https://github.com/yalavarthivk/GraFITi.git