基于多尺度自适应图神经网络的动态相关性建模与不完整时间序列的插补

《Expert Systems with Applications》:Dynamic correlations modeling and imputation of incomplete time series based on multi-scale adaptive graph neural network

【字体: 大 中 小 】 时间:2026年03月24日 来源:Expert Systems with Applications 7.5

编辑推荐:

  本文提出基于多尺度特征提取的自适应图神经网络(MSAGNN)方法,通过闭环优化过程处理缺失值,结合自适应图学习模块捕捉不同尺度的变量间依赖,并利用注意力机制融合多尺度信息,有效提升缺失值填补效果。

  
时间序列数据在交通流量预测、金融市场分析、医疗监测等众多领域具有广泛应用价值。然而在实际应用中,数据缺失问题普遍存在,其成因包括设备故障、传输错误或人为疏忽等。缺失数据不仅影响数据完整性,还会导致后续分析结果产生偏差。针对这一挑战,研究者们提出了多种解决方案,从传统统计方法到现代深度学习模型,方法演进过程折射出学术界对多维度信息融合的持续探索。

早期研究主要依赖统计学方法,例如均值插补、线性插值或ARIMA模型等。这些方法通过分析数据本身的统计特性进行缺失值填充,虽然计算效率高且易于理解,但难以应对复杂系统中的动态变化。随着深度学习技术的发展,基于循环神经网络(RNN)和图神经网络(GNN)的模型逐渐成为研究热点。RNN的变体如LSTM和GRU通过门控机制有效捕捉时序依赖关系,但存在对空间关联建模能力不足的缺陷。而GNN通过构建节点间连接关系,能够有效捕捉变量间的空间关联,但现有研究多采用静态图结构,难以适应时变关联特性。

为解决上述问题,研究团队提出多尺度自适应图神经网络(MSAGNN)框架。该框架的核心创新在于实现了三个关键突破:首先,通过构建动态关联模型,将时间序列视为具有层次化关联特征的动态系统;其次,设计了闭环优化机制,使缺失值估计与后续建模形成正反馈循环;最后,开发了多尺度特征融合策略,兼顾长期趋势与短期细节的建模需求。

在模型架构方面,系统采用分层处理策略。预处理阶段通过GRU隐状态传递机制,融合历史时序信息和当前观测值,建立缺失值的初始估计。这一阶段特别设计了闭环优化过程,将缺失值处理与特征提取同步进行,有效避免数据缺失对特征学习造成的干扰。多尺度特征提取模块通过可分离卷积与解卷积的组合操作,分别捕获大尺度趋势特征和小尺度细节特征。值得关注的是,每个尺度层独立训练图结构,通过自适应图学习模块动态优化变量间连接权重,这一设计突破了传统共享邻接矩阵的局限,使不同尺度下的空间关联能够被精确建模。

核心算法部分,研究团队提出双路径融合机制。在纵向路径中,采用改进的图卷积循环网络(GCRRN)同步处理时序依赖和空间关联。横向路径则通过注意力机制实现多尺度特征的动态加权融合。这种双路径架构既保证了时序特征的连续性,又增强了空间关联的可塑性。特别在图卷积层的设计上,创新性地引入时变邻接矩阵,使得不同时间步的空间关系能够自适应调整,有效应对交通流量等场景中存在的动态关联特征。

实验验证部分选取了四个典型数据集:PEMSD3/4/8交通流量数据和汇率时间序列。对比实验显示,MSAGNN在多种评价指标上均优于现有方法。在PEMSD系列数据集上,模型在MAE(平均绝对误差)和RMSE(均方根误差)指标上分别降低18.7%和22.3%,特别是在存在突发交通拥堵的PEMSD8数据集上,模型表现出优异的鲁棒性。汇率预测实验中,系统将长期趋势预测误差控制在0.5%以内,显著优于传统ARIMA模型。

该方法的实际应用价值体现在三个方面:其一,动态闭环优化机制使模型能够实时调整对缺失值的估计精度,在医疗监测等对时效性要求高的场景中表现突出;其二,多尺度特征融合技术有效捕捉了复杂系统中的层级化关联特征,例如在交通网络中既需要捕捉主干道宏观流量趋势,又要识别支路微观的拥堵细节;其三,自适应图学习模块避免了传统静态图结构的局限性,在COVID-19传播预测等时变关联场景中展现出更强适应性。

研究团队通过设计闭环优化流程,实现了数据缺失与特征提取的协同进化。具体而言,系统在每轮迭代中首先利用GRU隐状态传递历史信息,结合当前可观测数据更新缺失值估计。随后通过多尺度分解重构时间序列,在每层特征空间独立训练图网络以优化变量间关联。这种分层次、独立训练的机制,使得不同时间尺度下的空间关联特征能够被精确建模。最终通过注意力机制融合各尺度特征,形成具有时空穿透力的综合预测模型。

在技术实现层面,研究团队重点解决了三个技术难点:首先是如何在存在大量缺失值的情况下稳定训练图网络,为此开发了基于注意力机制的自适应邻接矩阵更新算法;其次是如何平衡不同尺度特征的贡献度,采用动态权重分配机制根据数据分布自适应调整;最后是如何处理高维稀疏数据,设计了一种基于梯度传播的稀疏图卷积算法,在计算效率上提升约40%。

实验对比分析表明,MSAGNN相比现有GNN方法在以下方面具有显著优势:1)多尺度特征提取能力使模型能同时捕捉长期趋势和短期波动;2)动态图学习机制适应了变量间时变关联特性;3)闭环优化流程有效抑制了数据缺失的干扰效应。在医疗监测数据集上,模型成功将心电信号缺失值的恢复精度提升至92.4%,显著高于传统插补方法。

该研究对时间序列分析领域具有里程碑意义。首先,提出的动态关联建模框架为解决复杂系统中的数据缺失问题提供了新思路,特别在交通流量预测和医疗监测等关键领域具有应用潜力。其次,多尺度特征融合机制克服了现有模型对单一时间尺度的依赖,能够更全面地反映现实系统的时空演化规律。最后,自适应图学习模块为动态关系建模提供了可扩展的技术方案,为后续研究在更多时变场景中应用奠定了基础。

未来研究可沿着三个方向深化:一是探索跨模态时间序列的融合机制,将文本、图像等多模态数据纳入分析框架;二是开发轻量化版本以适应边缘计算场景;三是建立统一的性能评估标准,促进不同方法间的横向比较。这些方向的研究将推动时间序列分析技术向更智能、更鲁棒的方向发展,为智慧城市、工业物联网等领域的实际应用提供更强大的技术支撑。

该研究得到国家自然科学基金(62076050, 62373077)和国家重点研发计划(2022YFF0610900)资助,研究团队在数据采集、特征工程和模型优化方面进行了系统性工作。作者贡献声明清晰划分了各成员的职责,体现了研究过程的规范性和协作性。特别值得关注的是,研究团队在开源社区共享了模型架构和预训练数据集,为后续研究提供了重要基础。这些实践不仅提升了研究成果的学术价值,也为工业界应用提供了可复现的技术路径。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号