論文の概要: Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2005.11650v1
• Date: Sun, 24 May 2020 04:02:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-29 13:25:09.602033
• Title: Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks
• Title（参考訳）: ドットの接続:グラフニューラルネットワークによる多変量時系列予測
• Authors: Zonghan Wu, Shirui Pan, Guodong Long, Jing Jiang, Xiaojun Chang, Chengqi Zhang
• Abstract要約: 多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
• 参考スコア（独自算出の注目度）: 91.65637773358347
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modeling multivariate time series has long been a subject that has attracted researchers from a diverse range of fields including economics, finance, and traffic. A basic assumption behind multivariate time series forecasting is that its variables depend on one another but, upon looking closely, it is fair to say that existing methods fail to fully exploit latent spatial dependencies between pairs of variables. In recent years, meanwhile, graph neural networks (GNNs) have shown high capability in handling relational dependencies. GNNs require well-defined graph structures for information propagation which means they cannot be applied directly for multivariate time series where the dependencies are not known in advance. In this paper, we propose a general graph neural network framework designed specifically for multivariate time series data. Our approach automatically extracts the uni-directed relations among variables through a graph learning module, into which external knowledge like variable attributes can be easily integrated. A novel mix-hop propagation layer and a dilated inception layer are further proposed to capture the spatial and temporal dependencies within the time series. The graph learning, graph convolution, and temporal convolution modules are jointly learned in an end-to-end framework. Experimental results show that our proposed model outperforms the state-of-the-art baseline methods on 3 of 4 benchmark datasets and achieves on-par performance with other approaches on two traffic datasets which provide extra structural information.
• Abstract（参考訳）: 多変量時系列のモデル化は、経済学、金融、交通など様々な分野の研究者を惹きつけてきた。 多変量時系列予測の背景にある基本的な仮定は、その変数は互いに依存しているということであるが、よく見ると、既存の手法は変数のペア間の潜伏空間依存性を完全に活用できない。 近年、グラフニューラルネットワーク(GNN)は、リレーショナル依存関係を扱う上で高い能力を示している。 gnnは情報伝達によく定義されたグラフ構造を必要とするため、依存関係が事前に分かっていない多変量時系列では直接適用できない。 本稿では,多変量時系列データ専用に設計された汎用グラフニューラルネットワークフレームワークを提案する。 本手法は,変数属性などの外部知識を容易に統合できるグラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 さらに, 時系列内の空間的および時間的依存性を捉えるために, 新たな混合ホップ伝播層と拡張インセプション層を提案する。 グラフ学習、グラフ畳み込み、時間畳み込みモジュールは、エンドツーエンドのフレームワークで共同で学習される。 実験の結果,提案手法は4つのベンチマークデータセットのうち3つで最先端のベースラインメソッドを上回っており,さらに構造情報を提供する2つのトラフィックデータセットの他のアプローチと同等の性能を実現していることがわかった。

関連論文リスト

• Fully-Connected Spatial-Temporal Graph for Multivariate Time-Series Data [50.84488941336865]
  完全時空間グラフニューラルネットワーク(FC-STGNN)という新しい手法を提案する。 グラフ構築のために、時間的距離に基づいて、すべてのタイムスタンプにセンサーを接続する減衰グラフを設計する。 グラフ畳み込みのために,移動プールGNN層を用いたFCグラフ畳み込みを考案し,ST依存性を効果的に把握し,効率的な表現を学習する。
  論文  参考訳（メタデータ） (2023-09-11T08:44:07Z)
• TimeGNN: Temporal Dynamic Graph Learning for Time Series Forecasting [20.03223916749058]
  時系列予測は、科学と工学における重要な現実世界の応用の核心にある。 動的時間グラフ表現を学習するTimeGNNを提案する。 TimeGNNは、他の最先端のグラフベースの手法よりも4倍から80倍高速な推論時間を実現している。
  論文  参考訳（メタデータ） (2023-07-27T08:10:19Z)
• TodyNet: Temporal Dynamic Graph Neural Network for Multivariate Time Series Classification [6.76723360505692]
  未定義のグラフ構造を使わずに隠蔽時間依存を抽出できる新しい時間的動的グラフネットワーク(TodyNet)を提案する。 26のUEAベンチマークデータセットの実験は、提案されたTodyNetがMTSCタスクで既存のディープラーニングベースのメソッドより優れていることを示している。
  論文  参考訳（メタデータ） (2023-04-11T09:21:28Z)
• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)
• Learning the Evolutionary and Multi-scale Graph Structure for Multivariate Time Series Forecasting [50.901984244738806]
  時系列の進化的・マルチスケール相互作用をモデル化する方法を示す。 特に、まず、拡張畳み込みと協調して、スケール固有の相関を捉える階層グラフ構造を提供する。 最終的な予測を得るために上記のコンポーネントを統合するために、統合ニューラルネットワークが提供される。
  論文  参考訳（メタデータ） (2022-06-28T08:11:12Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• Learning Sparse and Continuous Graph Structures for Multivariate Time Series Forecasting [5.359968374560132]
  Learning Sparse and Continuous Graphs for Forecasting (LSCGF)は、グラフ学習と予測に結合する新しいディープラーニングモデルである。 本稿では,スムーズ・スパース・ユニット (SSU) という新しい手法を提案する。 我々のモデルは、訓練可能な小さなパラメータで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-01-24T13:35:37Z)
• Instance-wise Graph-based Framework for Multivariate Time Series Forecasting [69.38716332931986]
  我々は,異なる時刻スタンプにおける変数の相互依存性を利用するための,シンプルで効率的なインスタンス単位のグラフベースのフレームワークを提案する。 私たちのフレームワークのキーとなる考え方は、異なる変数の履歴時系列から予測すべき現在の時系列に情報を集約することです。
  論文  参考訳（メタデータ） (2021-09-14T07:38:35Z)
• Discrete Graph Structure Learning for Forecasting Multiple Time Series [14.459541930646205]
  時系列予測は統計学、経済学、コンピュータ科学において広く研究されている。 本研究では,グラフが未知である場合,グラフニューラルネットワーク(GNN)を同時に学習することを提案する。 経験的評価は、グラフ構造学習のための最近提案されたバイレベル学習アプローチよりも、よりシンプルで効率的で優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2021-01-18T03:36:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。