摘要
处理缺失值和不完整的时间序列是在处理来自实际应用的数据时一项劳动密集型、繁琐且不可避免的任务。有效的时空表示方法可以使插补方法通过利用不同位置传感器提供的信息来重建缺失的时序数据。然而，标准方法在捕捉互联传感器网络中存在的非线性时间和空间依赖关系方面表现不佳，并且未能充分利用可用的（通常是强烈的）关系信息。值得注意的是，大多数基于深度学习的最先进插补方法并未显式建模关系方面，即使有，也未能利用能够充分表示结构化时空数据的处理框架。相反，图神经网络最近因其在处理具有关系归纳偏置的序列数据方面的表达能力和可扩展性而受到广泛关注。在这项工作中，我们首次评估了图神经网络在多变量时间序列插补中的应用。特别是，我们引入了一种新的图神经网络架构，称为GRIN（Graph-based Recurrent Imputation Network），该架构通过消息传递学习时空表示，旨在重建多变量时间序列中各通道的缺失数据。实验结果表明，我们的模型在多个重要的现实世界基准测试中显著优于最先进方法，在平均绝对误差方面通常提高了20%以上。