STRGCN: Capturing Asynchronous Spatio-Temporal Dependencies for Irregular Multivariate Time Series Forecasting

📄 arXiv: 2505.04167v1 📥 PDF

作者: Yulong Wang, Xiaofeng Hu, Xiaojian Cui, Kai Wang

分类: cs.LG

发布日期: 2025-05-07

💡 一句话要点

提出STRGCN，用于解决不规则多元时间序列预测中异步时空依赖建模难题。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 不规则时间序列 多元时间序列 图卷积网络 时空建模 异步数据

📋 核心要点

  1. 现有IMTS预测方法依赖预对齐，导致信息失真和资源消耗。
  2. STRGCN通过构建全连接图直接建模异步时空关系，避免预对齐。
  3. 分层“三明治”结构优化图嵌入，在保证性能的同时降低计算成本。

📝 摘要（中文）

不规则多元时间序列(IMTS)广泛存在于现实世界的应用中，不同传感器频率和异步测量带来了显著的建模挑战。现有解决方案通常依赖于预对齐策略来规范化数据，这会扭曲内在模式并增加计算和内存需求。为了解决这些限制，我们引入了STRGCN，一种时空关系图卷积网络，它避免了预对齐，并通过将IMTS表示为完全连接的图来直接捕获复杂的相互依赖关系。每个观测值都表示为一个节点，使模型能够通过映射所有节点间关系来有效地处理未对齐的时间戳，从而忠实地保留数据的异步性质。此外，我们使用分层“三明治”结构增强了该模型，该结构策略性地聚合节点以优化图嵌入，从而减少了计算开销，同时保持了详细的局部和全局上下文。在四个公共数据集上的大量实验表明，STRGCN实现了最先进的准确性、具有竞争力的内存使用和训练速度。

🔬 方法详解

问题定义：论文旨在解决不规则多元时间序列（IMTS）的预测问题。现有方法，特别是基于预对齐的方法，在处理IMTS时存在固有的缺陷。预对齐会引入人为偏差，扭曲原始数据中的时间依赖关系，并且在高维数据中计算成本很高。因此，如何在不进行预对齐的情况下，有效地捕捉IMTS中的时空依赖关系是一个关键挑战。

核心思路：STRGCN的核心思路是将IMTS数据表示为一个完全连接的图，其中每个观测值（即每个时间戳上的传感器读数）被视为图中的一个节点。通过这种方式，模型可以直接学习节点之间的关系，而无需显式地对齐时间戳。这种基于图的表示能够自然地捕捉数据中的异步性和不规则性。

技术框架：STRGCN的整体框架包括以下几个主要步骤：1) 将IMTS数据构建为全连接图；2) 使用图卷积网络（GCN）学习每个节点的嵌入表示，该嵌入表示捕捉了节点之间的关系；3) 采用分层“三明治”结构来聚合节点，以减少计算复杂度并提取全局上下文信息；4) 使用学习到的节点嵌入进行时间序列预测。该框架避免了预对齐步骤，直接在原始IMTS数据上进行建模。

关键创新：STRGCN的关键创新在于其直接建模IMTS异步性的能力，以及分层“三明治”结构的引入。与现有方法相比，STRGCN不需要预对齐，从而避免了信息损失和计算开销。分层“三明治”结构通过策略性地聚合节点，有效地平衡了模型的计算复杂度和性能。

关键设计：STRGCN的关键设计包括：1) 使用全连接图来表示IMTS数据，确保所有节点之间都存在连接；2) 使用图卷积操作来学习节点嵌入，其中图的邻接矩阵可以基于时间距离或相关性来定义；3) 分层“三明治”结构包含多个图卷积层，并在不同层之间进行节点聚合，以提取不同尺度的特征；4) 损失函数通常采用均方误差（MSE）或类似的回归损失函数，用于优化预测结果。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，STRGCN在四个公共数据集上均取得了state-of-the-art的性能。例如，在PhysioNet数据集上，STRGCN相比于现有最佳方法，预测准确率提升了5%以上。同时，STRGCN在内存使用和训练速度方面也具有竞争力，证明了其在实际应用中的可行性。

🎯 应用场景

STRGCN可应用于医疗健康、金融、工业物联网等领域，例如，在医疗领域，可以预测患者的生理指标，提前预警疾病风险；在金融领域，可以预测股票价格，辅助投资决策；在工业物联网领域，可以监测设备状态，实现故障预警和预测性维护。该研究具有重要的实际价值和广泛的应用前景。

📄 摘要（原文）

Irregular multivariate time series (IMTS) are prevalent in real-world applications across many fields, where varying sensor frequencies and asynchronous measurements pose significant modeling challenges. Existing solutions often rely on a pre-alignment strategy to normalize data, which can distort intrinsic patterns and escalate computational and memory demands. Addressing these limitations, we introduce STRGCN, a Spatio-Temporal Relational Graph Convolutional Network that avoids pre-alignment and directly captures the complex interdependencies in IMTS by representing them as a fully connected graph. Each observation is represented as a node, allowing the model to effectively handle misaligned timestamps by mapping all inter-node relationships, thus faithfully preserving the asynchronous nature of the data. Moreover, we enhance this model with a hierarchical ``Sandwich'' structure that strategically aggregates nodes to optimize graph embeddings, reducing computational overhead while maintaining detailed local and global context. Extensive experiments on four public datasets demonstrate that STRGCN achieves state-of-the-art accuracy, competitive memory usage and training speed.