Обзор графовых нейронных сетей для временных рядов: прогнозирование, классификация, импутация и обнаружение аномалий

Временные ряды являются основным типом данных, используемым для регистрации измерений динамических систем, и генерируются в огромных объемах как физическими датчиками, так и онлайн-процессами (виртуальными датчиками). Поэтому анализ временных рядов имеет решающее значение для раскрытия богатого информационного содержания, скрытого в доступных данных. В связи с недавними достижениями в области графовых нейронных сетей (GNN) наблюдается значительный рост методов анализа временных рядов на основе GNN. Эти методы позволяют явно моделировать взаимосвязи между временными точками и переменными, что представляет трудность для традиционных методов и других методов на основе глубоких нейронных сетей. В данном обзоре представлен всесторонний анализ графовых нейронных сетей для анализа временных рядов (GNN4TS), охватывающий четыре фундаментальных направления: прогнозирование, классификацию, обнаружение аномалий и импутацию. Наша цель — помочь разработчикам и практикам понять принципы GNN4TS, создавать приложения и развивать исследования в этой области. Сначала предлагается всесторонняя таксономия GNN4TS, ориентированная на решаемые задачи. Затем рассматриваются репрезентативные научные работы и описываются основные приложения GNN4TS. Обзор завершается подробным обсуждением потенциальных направлений дальнейших исследований. Впервые в рамках одного исследования систематизирован огромный массив знаний о применении GNN для анализа временных рядов, с акцентом на теоретические основы, практические приложения и перспективы использования графовых нейронных сетей для анализа временных рядов.