Обзор графовых нейронных сетей для временных рядов: прогнозирование, классификация, импутация и обнаружение аномалий
A Survey on Graph Neural Networks for Time Series: Forecasting, Classification, Imputation, and Anomaly Detection
2024-08-14
SCID: 54.1/gpk3268p
Discuss with AI
обнаружение аномалийграфовые нейронные сетианализ временных рядовпрогнозирование временных рядоввосстановление временных рядов
Figures from the paper
Abstract (AI)
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.
Key Findings
1
Методы на основе GNN явно моделируют межвременные и межпеременные взаимосвязи, которые традиционным и другим глубоким нейронным сетям трудно представлять.
2
Работа выделяет перспективные направления будущих исследований и объединяет фундаментальные знания, практические применения и исследовательские возможности GNN для временных рядов.
3
В работе предложена всеобъемлющая ориентированная на задачи таксономия графовых нейронных сетей для анализа временных рядов.
4
Обзор систематизирует методы на основе графовых нейронных сетей для анализа временных рядов по четырём задачам: прогнозирование, классификация, обнаружение аномалий и импутация.
5
Обзор рассматривает репрезентативные исследования и основные приложения, помогая проектировать и внедрять системы анализа временных рядов на основе GNN.
Research Object
Временные ряды, получаемые от физических датчиков и онлайн-процессов и анализируемые с помощью графовых нейронных сетей
Research Subject
Графовое моделирование межвременных и межпеременных взаимосвязей для прогнозирования временных рядов, классификации, восстановления пропусков и обнаружения аномалий
Publication Details
Publication Date
2024-08-14
Journal
Publisher
ISSN
Cited by
566
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai20
Использование генеративного искусственного интеллекта для масштабирования интеллектуальных обучающих систем2023
Полуобучаемая классификация с использованием графовых сверточных сетей2016
Эмпирическая оценка управляемых рекуррентных нейронных сетей для моделирования последовательностей2014
Всеобъемлющий обзор графовых нейронных сетей2020
Обзор больших языковых моделей2026
Пространственно-временные графовые сверточные сети: платформа глубокого обучения для прогнозирования трафика2018
Нейронная передача сообщений для квантовой химии2017
Графовые сверточные сети с пространственно-временным вниманием для прогнозирования транспортных потоков2019
Надёжное обнаружение аномалий в многомерных временных рядах с использованием стохастической рекуррентной нейронной сети2019
Трансформеры во временных рядах: обзор2023
Прогнозирование временных рядов с использованием глубокого обучения: обзор2021
Обзор выявления выбросов/аномалий во временных рядах2021
Дискретная обработка сигналов на графах2013
Обнаружение аномалий в многомерных временных рядах на основе графовых нейронных сетей2021
Взаимодействующие сети для обучения представлениям об объектах, отношениях и физике2016
Обнаружение аномалий во временных рядах2022
Глубокое обучение для обнаружения аномалий во временных рядах: обзор2024
Обнаружение аномалий в многомерных временных рядах с помощью графовой сети внимания2020
Прогнозирование транспортных потоков с помощью пространственно-временной графовой нейронной сети2020
Обнаружение и интерпретация аномалий в многомерных временных рядах с использованием иерархического межметрического и временного вложения2021