摘要

对于医疗健康、天文学和气候科学等众多现实应用场景而言，对存在缺失值的不规则采样时间序列进行预测是一项关键任务。当前最先进的方法通常依赖于常微分方程（Ordinary Differential Equations, ODEs），但这类方法普遍存在计算速度慢的问题，且通常需要额外的特征来处理缺失值。为解决这一挑战，我们提出了一种新颖的模型——GraFITi（Graphs for Forecasting Irregularly Sampled Time Series with missing values）。GraFITi 首先将不规则采样的时间序列转换为一种稀疏结构图（Sparsity Structure Graph），即一种稀疏的二分图，随后将预测任务重新建模为图中边权重的预测问题。该模型利用图神经网络（Graph Neural Networks）的强大能力，学习图结构并预测目标边的权重。我们在三个真实世界数据集和一个合成数据集上对 GraFITi 进行了测试，并与多种先进的基准模型进行了对比。实验结果表明，与现有最先进模型相比，GraFITi 最多可提升预测精度达17%，同时将运行时间缩短至原来的五分之一，显著提升了效率与准确性。