Prévision de séries temporelles échantillonnées de manière irrégulière à l’aide de graphes

Prédire des séries temporelles échantillonnées de manière irrégulière et comportant des valeurs manquantes constitue une tâche cruciale pour de nombreuses applications réelles, telles que la santé, l’astronomie et les sciences du climat. Les approches les plus avancées actuelles reposent sur des équations différentielles ordinaires (ODE), qui sont connues pour être lentes et nécessitent souvent des caractéristiques supplémentaires pour gérer les valeurs manquantes. Pour remédier à ce problème, nous proposons un nouveau modèle basé sur les graphes pour la prévision de séries temporelles irrégulièrement échantillonnées avec valeurs manquantes, que nous appelons GraFITi. GraFITi convertit d’abord la série temporelle en un graphe de structure de sparsité, qui est un graphe bipartite creux, puis reformule le problème de prévision en une tâche de prédiction des poids d’arêtes dans ce graphe. Il exploite la puissance des réseaux de neurones sur graphes pour apprendre la structure du graphe et prédire les poids des arêtes cibles. GraFITi a été évalué sur trois jeux de données réels et un jeu de données synthétique de séries temporelles irrégulièrement échantillonnées avec valeurs manquantes, et comparé à divers modèles d’état de l’art. Les résultats expérimentaux démontrent que GraFITi améliore la précision de prévision jusqu’à 17 % et réduit le temps d’exécution jusqu’à cinq fois par rapport aux modèles d’état de l’art.