图深度学习在时间序列处理中的应用：预测、重构与分析

深度学习在时间序列处理中的成功应用，通常涉及在一组（相关的）时间序列上训练单一神经网络。时间序列之间的成对关系可以通过考虑一个（可能是动态的）图来建模，覆盖整个时间序列集合。在这种背景下，基于图的方法将标准的深度学习方法在时间序列处理上的应用提升了一个层次。近年来，图机器学习的理论和实践进展使得采用这种方法变得特别有吸引力且具有时效性。

https://gmlg.ch/tutorials/graph-based-processing/log-2024 本教程的双重目标是：

• 提供该领域的全面概述，重点介绍预测应用；
• 提供设计和评估图基模型用于时间序列处理的工具和指南。

本教程适合希望将图深度学习方法应用于时间序列处理应用的初期研究人员和实践者。同时，本教程也为经验丰富的学者提供了对现有技术的连贯框架以及新的视角。 第一部分：时间序列处理中的图深度学习

相关时间序列

问题设置的定义。时间序列预测。 * 时间序列预测中的图深度学习 * 用于表示相关时间序列的基于图的框架。时间序列预测的基于图的模型。与时间序列分析和时序图学习中的相关设置的相似性和差异。

时空图神经网络（STGNNs）

STGNN模型的核心组件。 * 构建STGNN的方案和策略。 * 时间优先空间与时间和空间并行范式。 * 文献中的架构概述。

全局与局部模型

时间序列模型中的参数共享。 * 全局与局部建模范式的回顾及其优缺点。 * 在基于图的时间序列处理中实际意义。 * 混合全局-局部STGNN架构。 * 迁移学习。

演示编码：时空GNNs

基于图的时间序列处理的开源Pytorch库概述。 * Torch时空演示。

---

第二部分：挑战与工具

潜在图学习

当没有预定义图时，如何应用框架的方法。 * 从时间序列集合中学习图结构。

可扩展性

使方法能够扩展到大规模传感器网络的技术。

处理缺失数据

缺失数据问题。 * 基于图的多变量时间序列插补与克里金法概述。

模型质量评估

测试基于图的预测器最优性的统计工具。 * 识别时间-空间区域，在这些区域中可以改善预测。