論文の概要: Radflow: A Recurrent, Aggregated, and Decomposable Model for Networks of Time Series

• arxiv url: http://arxiv.org/abs/2102.07289v1
• Date: Mon, 15 Feb 2021 00:57:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-16 20:05:07.226885
• Title: Radflow: A Recurrent, Aggregated, and Decomposable Model for Networks of Time Series
• Title（参考訳）: radflow: 時系列ネットワークのための再帰的,集約的,分解可能なモデル
• Authors: Alasdair Tran, Alexander Mathews, Cheng Soon Ong, Lexing Xie
• Abstract要約: Radflowは、お互いに影響を与える時系列ネットワークの新しいモデルである。 それは3つの重要なアイデアを具現化します:時間に依存するノード埋め込み、マルチヘッドの注意を持つ隣接するノードからの影響の流れの集約、および時系列の多層分解を得るための繰り返しニューラルネットワーク。 radflowは異なる傾向や季節パターンを学習でき、欠落したノードやエッジに対して頑健であり、ネットワークの隣人間の時間パターンの相関は影響強度を反映している。
• 参考スコア（独自算出の注目度）: 77.47313102926017
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a new model for networks of time series that influence each other. Graph structures among time series are found in diverse domains, such as web traffic influenced by hyperlinks, product sales influenced by recommendation, or urban transport volume influenced by road networks and weather. There has been recent progress in graph modeling and in time series forecasting, respectively, but an expressive and scalable approach for a network of series does not yet exist. We introduce Radflow, a novel model that embodies three key ideas: a recurrent neural network to obtain node embeddings that depend on time, the aggregation of the flow of influence from neighboring nodes with multi-head attention, and the multi-layer decomposition of time series. Radflow naturally takes into account dynamic networks where nodes and edges change over time, and it can be used for prediction and data imputation tasks. On real-world datasets ranging from a few hundred to a few hundred thousand nodes, we observe that Radflow variants are the best performing model across a wide range of settings. The recurrent component in Radflow also outperforms N-BEATS, the state-of-the-art time series model. We show that Radflow can learn different trends and seasonal patterns, that it is robust to missing nodes and edges, and that correlated temporal patterns among network neighbors reflect influence strength. We curate WikiTraffic, the largest dynamic network of time series with 366K nodes and 22M time-dependent links spanning five years. This dataset provides an open benchmark for developing models in this area, with applications that include optimizing resources for the web. More broadly, Radflow has the potential to improve forecasts in correlated time series networks such as the stock market, and impute missing measurements in geographically dispersed networks of natural phenomena.
• Abstract（参考訳）: 本稿では,相互に影響を及ぼす時系列ネットワークの新しいモデルを提案する。 時系列内のグラフ構造は、ハイパーリンクの影響によるWebトラフィック、推奨による製品販売、道路ネットワークや天気の影響による都市交通量など、さまざまな領域で見られる。 グラフモデリングと時系列予測の最近の進歩はそれぞれありますが、一連のネットワークに対する表現的でスケーラブルなアプローチはまだ存在していません。 時間に依存するノード埋め込みを得るためのリカレントニューラルネットワーク,マルチヘッドで隣接するノードからの影響の流れの集約,時系列の多層分解という,3つの重要なアイデアを具現化した新しいモデルであるRadflowを紹介する。 Radflowは、ノードとエッジが時間の経過とともに変化する動的ネットワークを自然に考慮し、予測およびデータインプットタスクに使用できます。 数百から数十万のノードにまたがる実世界のデータセットでは、Radflowの変種が幅広い設定で最高のパフォーマンスモデルであることを観察しています。 Radflowの繰り返しコンポーネントは、最先端の時系列モデルであるN-BEATSよりも優れています。 radflowは異なる傾向や季節パターンを学習でき、欠落したノードやエッジに対して頑健であり、ネットワークの隣人間の時間パターンの相関は影響強度を反映している。 WikiTrafficは366Kノードと5年にわたる2200万の時間依存リンクを持つ時系列のネットワークである。 このデータセットは、この領域でモデルを開発するためのオープンベンチマークを提供し、Webのためのリソースを最適化するアプリケーションを含む。 より広くは、Radflowは、株式市場などの相関した時系列ネットワークにおける予測を改善し、自然現象の地理的分散ネットワークにおける欠落測定を誘発する可能性がある。

関連論文リスト

• 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)
• Temporal Aggregation and Propagation Graph Neural Networks for Dynamic Representation [67.26422477327179]
  時間グラフは連続時間を通してノード間の動的相互作用を示す。 本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。 提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-15T08:17:18Z)
• Scalable Spatiotemporal Graph Neural Networks [14.415967477487692]
  グラフニューラルネットワーク(GNN)は、しばしば予測アーキテクチャのコアコンポーネントである。 ほとんどの時間前GNNでは、計算複雑性はグラフ内のリンクの回数のシーケンスの長さの2乗係数までスケールする。 本稿では,時間的・空間的両方のダイナミックスを効率的に符号化するスケーラブルなアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-09-14T09:47:38Z)
• HyperTime: Implicit Neural Representation for Time Series [131.57172578210256]
  暗黙の神経表現(INR)は、データの正確で解像度に依存しないエンコーディングを提供する強力なツールとして最近登場した。 本稿では、INRを用いて時系列の表現を分析し、再構成精度とトレーニング収束速度の点で異なるアクティベーション関数を比較した。 本稿では,INRを利用して時系列データセット全体の圧縮潜在表現を学習するハイパーネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-08-11T14:05:51Z)
• Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [75.10017445699532]
  近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。 本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-25T08:45:14Z)
• Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
  時系列データは、気候、経済、医療などいくつかの領域で広く使われている。 最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。 ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
  論文  参考訳（メタデータ） (2021-10-11T13:46:28Z)
• Event2Graph: Event-driven Bipartite Graph for Multivariate Time-series Anomaly Detection [25.832983667044708]
  本稿では,時系列間の依存性を符号化する動的二部グラフ構造を提案する。 この設計に基づいて、時系列間の関係はイベントノードへの動的接続を通じて明示的にモデル化できる。
  論文  参考訳（メタデータ） (2021-08-15T17:50:37Z)
• SST-GNN: Simplified Spatio-temporal Traffic forecasting model using Graph Neural Network [2.524966118517392]
  我々は,SST-GNN(SST-GNN)を簡易に設計し,異なる地区を個別に集約することで依存性を効果的に符号化した。 我々は,本モデルが3つの実環境トラフィックデータセットの最先端モデルよりも大幅に優れていることを示した。
  論文  参考訳（メタデータ） (2021-03-31T18:28:44Z)
• 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)
• ForecastNet: A Time-Variant Deep Feed-Forward Neural Network Architecture for Multi-Step-Ahead Time-Series Forecasting [6.043572971237165]
  本稿では,フィードフォワードアーキテクチャを用いて時間変動モデルを提供するForecastNetを提案する。 ForecastNetは、いくつかのデータセットで統計的およびディープラーニングベンチマークモデルを上回るパフォーマンスを示す。
  論文  参考訳（メタデータ） (2020-02-11T01:03:33Z)

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。