适合时空预测的时间序列表示学习方法

最近，中国香港科技大学、上海AI Lab等多个组织联合发布了一篇时间序列无监督预训练的文章，相比原来的TS2Vec等时间序列表示学习工作，核心在于提出了将空间信息融入到预训练阶段，即在预训练阶段考虑各个序列之间的关系。因此，本文提出的方法也更适合作为时空预测领域的预训练模型。下面为大家详细介绍一下这篇文章。

论文标题：Correlated Time Series Self-Supervised Representation Learning via Spatiotemporal Bootstrapping

下载地址：https://arxiv.org/abs/2306.06994

1、背景

在过去的工作中，有很多对时间序列无监督预训练的研究，一般使用对比学习的思路进行时间序列Encoder的自监督训练。然而，历史的工作存在3个弊端。

第一个是大多数过去的方法学习的都是序列整体的表示，而时间序列预测任务更关注每个时间步的表示，因此上下游任务存在一定的不适配问题。

第二个是过去的工作都是在单个时间序列本身上进行预训练，没有考虑到各个序列之间的关系。

第三点是以往的对比学习预训练方法，在构造负样本的过程中经常出现伪负样本问题（即构造的负样本其实应该是正样本），这导致了对模型效果的负向影响。

针对上述3个问题，本文提出了一系列解决方法，核心是在预训练阶段同时考虑时序关系和空间关系，并且将对比学习框架改为不依赖正样本的BYOL。

2、模型细节

本文提出的模型核心结构如下图所示，其核心一方面是将时空信息融合到对比学习中的方式，另一方面是对比学习框架的升级。

对于一个时间序列，需要在时间维度和空间维度都进行对比学习，将时空信息同时融合到预训练阶段。对于时间维度，文中利用滑动窗口的方式，对一个序列生成两个有overlap的子序列，其中一个作为View，另一个作为时间维度的Target。其中，View部分使用随机mask的方式，遮盖一部分时间步的样本点。在时间维度的对比学习，即利用View和Temporal Target之间进行对比学习。

在空间维度上，根据节点之间的拓扑关系，随机采样一个当前序列的邻居序列，同样使用滑动窗口生产成本一个子序列。这个序列作为View的空间维度Target，使用对比学习拉近View和Spatial Target之间的距离。

在得到上述两类样本后，文中采用了BYOL的对比学习框架，避免了对负样本进行构造，因此解决了伪负样本的问题。BYOL是一种只依赖正样本的对比学习框架，其原始论文中的具体做法为，使用两个模型结构完全相同但参数不同的online network和target network，其中target network的参数是online network参数的滑动平均，target network的输出表示是online network的预测目标，target部分不会根据loss更新其参数。也就是用两套参数实现正样本1对正样本2的预测。

在本文中也是类似的方式，利用被部分mask的View，同时预测Temporal Target和Spatial Target，模型的loss包含Temporal和Spatial两部分相应的对比学习loss。模型的具体结构采用了TCN的结构（主体为空洞卷积），且View的模型参数和Target的模型参数不共享。

3、实验效果

下面为本文提出的表示学习方法在时空预测数据集上的预测效果，可以看到相比TS2Vec（目前SOTA的时间序列表示学习方法），有比较明显的效果提升。这说明本文提出的引入空间信息的对比学习，对于时空预测类型的问题效果更好。

下图为预测case分析，本文提出的方法相比TS2VecUI有更好的预测趋势。