論文の概要: MTHetGNN: A Heterogeneous Graph Embedding Framework for Multivariate Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2008.08617v4
• Date: Wed, 15 Dec 2021 03:50:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-27 08:49:36.421919
• Title: MTHetGNN: A Heterogeneous Graph Embedding Framework for Multivariate Time Series Forecasting
• Title（参考訳）: MTHetGNN:多変量時系列予測のための不均一グラフ埋め込みフレームワーク
• Authors: Yueyang Wang, Ziheng Duan, Yida Huang, Haoyan Xu, Jie Feng, Anni Ren
• Abstract要約: 我々は、異種グラフニューラルネットワーク(MTHetGNN)による多変量時系列予測と呼ばれる新しいエンドツーエンドディープラーニングモデルを提案する。 変数間の複雑な関係を特徴付けるため、MTHetGNNでは、各変数をグラフノードと見なす関係埋め込みモジュールを設計する。 時系列の特徴抽出に時間的埋め込みモジュールを導入し、知覚スケールの異なる畳み込みニューラルネットワーク(CNN)フィルタを含む。
• 参考スコア（独自算出の注目度）: 4.8274015390665195
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multivariate time series forecasting, which analyzes historical time series to predict future trends, can effectively help decision-making. Complex relations among variables in MTS, including static, dynamic, predictable, and latent relations, have made it possible to mining more features of MTS. Modeling complex relations are not only essential in characterizing latent dependency as well as modeling temporal dependence but also brings great challenges in the MTS forecasting task. However, existing methods mainly focus on modeling certain relations among MTS variables. In this paper, we propose a novel end-to-end deep learning model, termed Multivariate Time Series Forecasting via Heterogeneous Graph Neural Networks (MTHetGNN). To characterize complex relations among variables, a relation embedding module is designed in MTHetGNN, where each variable is regarded as a graph node, and each type of edge represents a specific static or dynamic relationship. Meanwhile, a temporal embedding module is introduced for time series features extraction, where involving convolutional neural network (CNN) filters with different perception scales. Finally, a heterogeneous graph embedding module is adopted to handle the complex structural information generated by the two modules. Three benchmark datasets from the real world are used to evaluate the proposed MTHetGNN. The comprehensive experiments show that MTHetGNN achieves state-of-the-art results in the MTS forecasting task.
• Abstract（参考訳）: 過去の時系列を分析して将来の傾向を予測する多変量時系列予測は、意思決定に効果的に役立つ。 MTSの静的、動的、予測可能、潜時関係を含む変数間の複雑な関係は、MSSのより多くの特徴をマイニングすることを可能にする。 複雑な関係のモデリングは、潜在依存を特徴付けるだけでなく、時間依存のモデリングにも不可欠であるだけでなく、mts予測タスクにおいて大きな課題をもたらす。 しかし、既存の手法は主にMSS変数間の特定の関係をモデル化することに焦点を当てている。 本稿では,異種グラフニューラルネットワーク(MTHetGNN)を用いた多変量時系列予測と呼ばれる新しいエンドツーエンドディープラーニングモデルを提案する。 変数間の複雑な関係を特徴付けるために、関係埋め込みモジュールはmthetgnnで設計され、各変数はグラフノードと見なされ、各エッジは特定の静的または動的関係を表す。 一方、時系列特徴抽出のために時間的埋め込みモジュールが導入され、様々な知覚スケールの畳み込みニューラルネットワーク(cnn)フィルタが含まれる。 最後に、2つのモジュールによって生成される複雑な構造情報を扱うために、不均一グラフ埋め込みモジュールが採用される。 提案するmthetgnnの評価には,実世界の3つのベンチマークデータセットが使用されている。 総合実験により, MTHetGNN は MTS 予測タスクにおいて最先端の結果を達成することが示された。

関連論文リスト

• Multi-Source Knowledge-Based Hybrid Neural Framework for Time Series Representation Learning [2.368662284133926]
  提案したハイブリッドアーキテクチャは、ドメイン固有の知識とMSSデータに基づく関係構造の暗黙的な知識を組み合わせることで制限に対処する。 このアーキテクチャは、複数のベンチマークデータセットで有望な結果を示し、最先端の予測方法よりも優れています。
  論文  参考訳（メタデータ） (2024-08-22T13:58:55Z)
• UniTST: Effectively Modeling Inter-Series and Intra-Series Dependencies for Multivariate Time Series Forecasting [98.12558945781693]
  フラット化されたパッチトークンに統一された注意機構を含む変圧器ベースモデルUniTSTを提案する。 提案モデルでは単純なアーキテクチャを採用しているが,時系列予測のためのいくつかのデータセットの実験で示されたような,魅力的な性能を提供する。
  論文  参考訳（メタデータ） (2024-06-07T14:39:28Z)
• MTS2Graph: Interpretable Multivariate Time Series Classification with Temporal Evolving Graphs [1.1756822700775666]
  入力代表パターンを抽出・クラスタリングすることで時系列データを解釈する新しいフレームワークを提案する。 UCR/UEAアーカイブの8つのデータセットとHARとPAMデータセットで実験を行います。
  論文  参考訳（メタデータ） (2023-06-06T16:24:27Z)
• Disentangling Structured Components: Towards Adaptive, Interpretable and Scalable Time Series Forecasting [52.47493322446537]
  本研究では,時空間パターンの各コンポーネントを個別にモデル化する適応的,解釈可能,スケーラブルな予測フレームワークを開発する。 SCNNは、空間時間パターンの潜在構造を算術的に特徴づける、MSSの事前定義された生成プロセスで動作する。 SCNNが3つの実世界のデータセットの最先端モデルよりも優れた性能を達成できることを示すため、大規模な実験が行われた。
  論文  参考訳（メタデータ） (2023-05-22T13:39:44Z)
• 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)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)
• 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)
• Multi-Scale Adaptive Graph Neural Network for Multivariate Time Series Forecasting [8.881348323807158]
  上記の問題に対処するために,マルチスケール適応グラフニューラルネットワーク(MAGNN)を提案する。 4つの実世界のデータセットの実験では、MAGNNは様々な設定で最先端のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2022-01-13T08:04:10Z)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  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。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)
• Relational State-Space Model for Stochastic Multi-Object Systems [24.234120525358456]
  本稿では、逐次階層型潜在変数モデルであるリレーショナル状態空間モデル(R-SSM)を紹介する。 R-SSMはグラフニューラルネットワーク(GNN)を用いて、複数の相関オブジェクトの結合状態遷移をシミュレートする。 R-SSMの実用性は、合成および実時間時系列データセットで実証的に評価される。
  論文  参考訳（メタデータ） (2020-01-13T03:45:21Z)

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。