对Timeseries数据中未来事件的准确和可解释的预测通常需要捕获支撑所观察数据的代表性模式(或称为状态)。为此,现有的研究大多侧重于状态的表征和识别,而忽略了状态之间变化的过渡关系。在本文中,我们提出了演化状态图,这是一种动态图结构,旨在系统地表示状态(节点)之间沿时间的演化关系(边)。我们对由时间序列数据构成的动态图进行分析,发现图结构的变化(如连接某些状态节点的边)可以通知事件的发生(如时间序列波动)。受此启发,我们提出了一种新的图神经网络模型——进化状态图网络(EvoNet),用于编码进化状态图以实现精确和可解释的时间序列事件预测。具体来说,演化状态图网络对节点级(状态到状态)和图级(段到段)传播进行建模,并捕获节点图(状态到段)随时间的交互。基于五个真实数据集的实验结果表明,与11个基线相比,我们的方法不仅取得了明显的改进,而且为解释事件预测的结果提供了更多的见解。

成为VIP会员查看完整内容
50

相关内容

【AAAI2021】层次推理图神经网络
专知会员服务
68+阅读 · 2020年12月27日
专知会员服务
103+阅读 · 2020年12月22日
专知会员服务
50+阅读 · 2020年12月19日
专知会员服务
25+阅读 · 2020年12月17日
[WSDM2021]用于边缘流异常检测的频率因子分解
专知会员服务
11+阅读 · 2020年11月24日
【WSDM2021】保存节点相似性的图卷积网络
专知会员服务
40+阅读 · 2020年11月22日
如何建模动态图?看这份《时序图神经网络》26页ppt
专知会员服务
137+阅读 · 2020年7月25日
最新《动态网络嵌入》综述论文,25页pdf
专知
32+阅读 · 2020年6月17日
论文浅尝 | GraphSAINT—基于图采样的归纳学习方法
开放知识图谱
7+阅读 · 2020年2月23日
事理图谱:事件演化的规律和模式
哈工大SCIR
34+阅读 · 2019年7月19日
基于LSTM深层神经网络的时间序列预测
论智
21+阅读 · 2018年9月4日
基于MOOC数据的学习行为分析与预测
计算机研究与发展
6+阅读 · 2017年10月11日
赛尔原创 | 基于时间序列网络的谣言检测研究
哈工大SCIR
5+阅读 · 2017年6月19日
Arxiv
100+阅读 · 2020年3月4日
Arxiv
6+阅读 · 2020年2月15日
VIP会员
相关VIP内容
【AAAI2021】层次推理图神经网络
专知会员服务
68+阅读 · 2020年12月27日
专知会员服务
103+阅读 · 2020年12月22日
专知会员服务
50+阅读 · 2020年12月19日
专知会员服务
25+阅读 · 2020年12月17日
[WSDM2021]用于边缘流异常检测的频率因子分解
专知会员服务
11+阅读 · 2020年11月24日
【WSDM2021】保存节点相似性的图卷积网络
专知会员服务
40+阅读 · 2020年11月22日
如何建模动态图?看这份《时序图神经网络》26页ppt
专知会员服务
137+阅读 · 2020年7月25日
相关资讯
最新《动态网络嵌入》综述论文,25页pdf
专知
32+阅读 · 2020年6月17日
论文浅尝 | GraphSAINT—基于图采样的归纳学习方法
开放知识图谱
7+阅读 · 2020年2月23日
事理图谱:事件演化的规律和模式
哈工大SCIR
34+阅读 · 2019年7月19日
基于LSTM深层神经网络的时间序列预测
论智
21+阅读 · 2018年9月4日
基于MOOC数据的学习行为分析与预测
计算机研究与发展
6+阅读 · 2017年10月11日
赛尔原创 | 基于时间序列网络的谣言检测研究
哈工大SCIR
5+阅读 · 2017年6月19日
微信扫码咨询专知VIP会员