摘要
给定一个集合序列，其中每个集合包含任意数量的元素，时间集合预测问题的目的是预测后续集合的元素。实际上，时间集合预测比时态事件和时间序列的预测模型更加复杂，现在仍然是一个开放的问题。很多现存的方法，如果适用于时间集合预测，通常遵循两步策略：首先将时间集合投影到潜在表示中，然后学习具有潜在表示的模型。两步法往往导致信息丢失或预测性能不理想。在本文中，我们提出了一个集合的解决方案，它基于深度神经网络的时间集预测。我们方法的独特视角是去学习元素之间的关系，通过构造集级共现图，然后执行动态关系图上的图卷积。我们设计了一个基于注意的模型适应的学习元素和集合的时间依赖性，最后我们提供了一个开放的更新机制，在不同的序列中发现隐藏的共享模式，并将动态和静态信息融合提高预测性能。真实世界的实验数据我们的方法具有竞争优势尽管只有一部分训练数据，并且比现有方法好。
1.简介
时态数据记录对象随时间变化而变化，这种数据面向时间的特性使他们具有价值。挖掘时态数据集中潜在的模式和动态可以帮助人们做出更好的决策和计划，例如，预测交通流速度为交通部门提供了更好的策略。预测劳动力流动有助于劳动力市场中人力资源的重新分配。由于时态数据的重要性，人们提出了大量的时态数据挖掘方法，然而现有的大多数方法都是针对时间序列或者时间事件设计的。本文研究了一种新的时态数据预测即时态集。如果时间序列可以看作是一个用时间戳记录的时间事件可视为一系列带有时间戳的标称事件。时态集合是要有时间戳的集合序列，每个集合含有任意数量的元素。
图1，三种时态数据的预测：时间序列、时态事件和时态集合。
事实上，时态集合在现实场景中非常普遍，例如，可以将客户的购买行为形式化为一组序列，其中每一组包含若干货物，相当于在超市购物。预测学生下一学期的课程选择，预测患者下一时期的处方也处理这类时态数据。毫无疑问，时态数据集预测非常重要。以上述情景为例，预测下一期的购物篮可以帮助商店提前发货，预测下一期的课程可以帮助大学更好的设置决策。然而现有时态数据预测方法都是针对时间序列或时态事件设计的，不能直接用于时间集。由于时序数据预测方法不能处理元素间语义关系，时间事件预测方法不能处理一个集合的多个元素。
============2021-1-19 待续。。。
