对Timeseries数据中未来事件的准确和可解释的预测通常需要捕获支撑所观察数据的代表性模式(或称为状态)。为此，现有的研究大多侧重于状态的表征和识别，而忽略了状态之间变化的过渡关系。在本文中，我们提出了演化状态图，这是一种动态图结构，旨在系统地表示状态(节点)之间沿时间的演化关系(边)。我们对由时间序列数据构成的动态图进行分析，发现图结构的变化(如连接某些状态节点的边)可以通知事件的发生(如时间序列波动)。受此启发，我们提出了一种新的图神经网络模型——进化状态图网络(EvoNet)，用于编码进化状态图以实现精确和可解释的时间序列事件预测。具体来说，演化状态图网络对节点级(状态到状态)和图级(段到段)传播进行建模，并捕获节点图(状态到段)随时间的交互。基于五个真实数据集的实验结果表明，与11个基线相比，我们的方法不仅取得了明显的改进，而且为解释事件预测的结果提供了更多的见解。

https://www.zhuanzhi.ai/paper/c4c60baabab0d4dd1adcc57c7a64e906

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“EvoNet” 就可以获取《【WSDM2021】基于演化状态图的时间序列事件预测》专知下载链接

专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程资料和与专家交流咨询！

点击“ 阅读原文 ”，了解使用 专知 ，查看获取5000+AI主题知识资源