论文Time-Series Event Prediction with Evolutionary State Graph笔记
参考:https://zhuanlan.zhihu.com/p/357324652
原文地址
源码
研究目的
时序数据挖掘中一个重要的工作就是对时序序列事件进行预测,时序序列中既包含独立的特征又包含特征之间的时间关系,因此要更高效的更通用的表示时间序列就应该将这两个方面结合起来。
先前对此问题的研究:
1.离散序列的方法(如聚类、字典、BoP、shapelets)只识别序列中的状态特征忽略了时间的影响。
2.通过HMM、RNN等深度序列模型捕捉时间演化的影响,但是无法对挖掘的时间特征进行通俗的解释,鲁棒性差。
创新点
将时间序列用动态图结构进行表示,提出了演化状态图,并通过GNN的方式对其建模提出了演化状态图网络(EvoNet)。
演化状态图的构造
参考此图,图上方的 S t a t e s States States表示时序状态,本质上是通过聚类等方法提取出的一个个的特征。可以看到给定的时序片段被分割成等长的片段 X t , X_{t}, Xt,
当 s t a t e state state被识别之后,每个时序段 X t X_{t} Xt就可以建模为几个 s t a t e state