TMF-GNN: Temporal matrix factorization-based graph neural network for multivariate time series forecasting with missing values

Suhyeon Kim, 이정혜 (2025) · Expert Systems with Applications 275:127001 · DOI ↗

TMF-GNN — 결측 (missing values) 있는 다변량 시계열 (MTS) 예측 의 end-to-end 방법. Temporal Matrix Factorization + graph-neural-network (GCTC regularization). 변수 간 관계 + 시간 패턴 동시 학습. 이정혜 의 실타래 5 (Graph-based methods) 의 발전. Suhyeon Kim (W2V-LSA, RSAE-BA, LBC 의 같은 저자) 의 시계열 + 그래프 결합 작업.

• RQ: 다변량 시계열의 결측값 을 다루며 변수 간 + 시간 패턴 을 동시에 학습하는 end-to-end 방법은?
• 방법론: TMF-GNN = Temporal Matrix Factorization (시간 패턴) + Graph Convolutional Time-Constrained (GCTC) regularization + 그래프 기반 + sequential 모듈
• 데이터: GFT data (Arizona), AQ data (CO), PM2.5 data 등
• 주요 발견: (1) 결측 있는 MTS 예측 정확도 개선. (2) 변수 간 관계 (GNN) + 시간 패턴 (TMF) 동시 포착. (3) GCTC regularization 이 그래프 구조 + 시간 제약 통합.
• 시사점: 환경 모니터링, 의료 시계열 등 결측 빈번한 도메인 에 직접 응용. Graph-based MTS forecasting 의 새 baseline.

요약

이 paper 는 이정혜 의 *3 기 SNU TEMEP 의 시계열 + 그래프 ML 의 발전. Suhyeon Kim (W2V-LSA, RSAE-BA, LBC 등 다양한 작업의 제 1 저자) 의 시계열 도메인 작업.

방법론적 핵심: 2 모듈 통합. (i) Temporal Matrix Factorization (TMF) — MTS 데이터 매트릭스 $X \in \mathbb{R}^{T \times N}$ ($T$ time, $N$ variables) 를 latent factors 로 분해. 결측 처리 + 시간 패턴 학습. (ii) GNN — 변수 간 graph structure (시간 패턴 유사도 기반) 학습. GCTC regularization 이 그래프 구조 + 시간 제약 결합.

End-to-end: TMF latent factors + GNN node features 가 공동 학습. 결측값 보정 + 예측 동시 수행.

핵심 발견: 다양한 결측 비율 + benchmark 데이터셋 (GFT, AQ, PM2.5) 에서 TMF-GNN 이 기존 imputation + forecasting 단계별 접근 또는 GNN-only baseline 대비 우월. End-to-end 의 장점 — error propagation 없음.

이정혜 의 연구 궤적 안에서 이 paper 는 실타래 5 (Graph-based methods) 의 발전 + 실타래 4 (Representation Learning) 의 시계열 응용.

핵심 결과

데이터	TMF-GNN	비교
GFT (Arizona)	우월	vs baselines
AQ (CO)	우월	vs baselines
PM2.5	우월	vs baselines

• End-to-end 결측 + 예측
• GCTC regularization

방법론 노트

TMF: $X \approx UW^\top$, $U \in \mathbb{R}^{T \times K}$, $W \in \mathbb{R}^{N \times K}$.

GCTC regularization:

$$\mathcal{L}_{\text{GCTC}} = \|X_{\text{obs}} - UW^\top\|_F^2 + \lambda_1 \cdot \text{GraphSmoothness}(W) + \lambda_2 \cdot \text{TimeSmoothness}(U)$$

GNN module: $W$ 의 인접 행렬 (variable similarity) 위에서 graph convolution.

식별 가정: (i) MTS 의 low-rank 구조, (ii) 변수 간 graph relationship 존재, (iii) Missing 의 MCAR/MAR 가정.

연구 계보

이 paper 는 (i) Yu et al. (2016) Temporal matrix factorization, (ii) Wu et al. (2020) Graph WaveNet GNN, (iii) junghye-lee graph ML 라인 — 의 결합. 이정혜 의 연구 궤적 실타래 5 의 발전.

See also

• 이정혜
• Suhyeon Kim
• graph-neural-network
• temporal-matrix-factorization
• multivariate-time-series
• Expert Systems with Applications

인접 그래프

1-hop 이웃 5개

• 인물 2
• 방법론 1
• 수록처 1
• 논문 1

↻ 초기화

휠 = 확대/축소 · 드래그 = 이동 · hover = 라벨 · 클릭 = 페이지 이동

이 문서를 가리키는 페이지

논문 (1)

• A graph convolutional network for time series classification using recurrence plots

인물 (1)

• 이정혜