EncodingLee的博客

本文介绍了传统时间序列预测模型在处理非等间隔采样数据时面临的问题，包括间隔不规则、变量异步观测和大量缺失值等。针对这些问题，重点分析了AAAI-24会议论文《GraFITi: Graphs for Forecasting Irregularly Sampled Time Series》提出的创新方法。该方法将非等间隔时间序列转换为二部图结构，利用图神经网络进行信息传播和聚合，通过预测目标边权重实现未来值预测。论文将变量和时间点分别表示为两类节点，观测值作为边特征，缺失位置不建边，未来预测值则通过新增时间节点

在进行时间序列之前，需要学习什么是时间序列。时间序列是一组按时间排列的数据。通常，这些数据在时间上是等间距的，即数据可以每小时或每分钟记录一次，也可以按周、月或按年取平均值记录。在统计学中，一般将按时间顺序排列的一组随机变量X1X2⋯Xt⋯X1​X2​⋯Xt​⋯称为时间序列，记为Xtt∈TXt​t∈T。用x1x2⋯xt⋯x1​x2​⋯xt​⋯表示该随机序列的一组有序观察值。