論文の概要: Multi-Scale Adaptive Graph Neural Network for Multivariate Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2201.04828v2
• Date: Sun, 9 Apr 2023 12:40:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-12 00:12:18.825907
• Title: Multi-Scale Adaptive Graph Neural Network for Multivariate Time Series Forecasting
• Title（参考訳）: 多変量時系列予測のためのマルチスケール適応グラフニューラルネットワーク
• Authors: Ling Chen, Donghui Chen, Zongjiang Shang, Binqing Wu, Cen Zheng, Bo Wen, and Wei Zhang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 8.881348323807158
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multivariate time series (MTS) forecasting plays an important role in the automation and optimization of intelligent applications. It is a challenging task, as we need to consider both complex intra-variable dependencies and inter-variable dependencies. Existing works only learn temporal patterns with the help of single inter-variable dependencies. However, there are multi-scale temporal patterns in many real-world MTS. Single inter-variable dependencies make the model prefer to learn one type of prominent and shared temporal patterns. In this paper, we propose a multi-scale adaptive graph neural network (MAGNN) to address the above issue. MAGNN exploits a multi-scale pyramid network to preserve the underlying temporal dependencies at different time scales. Since the inter-variable dependencies may be different under distinct time scales, an adaptive graph learning module is designed to infer the scale-specific inter-variable dependencies without pre-defined priors. Given the multi-scale feature representations and scale-specific inter-variable dependencies, a multi-scale temporal graph neural network is introduced to jointly model intra-variable dependencies and inter-variable dependencies. After that, we develop a scale-wise fusion module to effectively promote the collaboration across different time scales, and automatically capture the importance of contributed temporal patterns. Experiments on four real-world datasets demonstrate that MAGNN outperforms the state-of-the-art methods across various settings.
• Abstract（参考訳）: 多変量時系列予測(MTS)はインテリジェントアプリケーションの自動化と最適化において重要な役割を果たす。 複雑な変数内依存関係と変数間依存関係の両方を考慮する必要があるため、これは難しいタスクです。 既存の作業は、単一の変数間の依存関係の助けを借りて、時間パターンのみを学ぶ。 しかし、多くの現実世界のMSSにはマルチスケールの時間パターンが存在する。 単一の変数間依存性により、モデルは一種類の顕著な時相パターンを学習することを好む。 本稿では,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。 magnnはマルチスケールのピラミッドネットワークを利用して、下位の時間依存を異なる時間スケールで保存する。 変数間依存性は、異なる時間スケールで異なる可能性があるため、適応グラフ学習モジュールは、事前定義された事前設定なしで、スケール固有の変数間依存性を推測するように設計されている。 マルチスケールの特徴表現とスケール固有の変数間依存関係を考えると、マルチスケールの時間グラフニューラルネットワークは、変数内依存性と変数間依存性を共同でモデル化するために導入される。 その後、異なる時間スケールでの協調を効果的に促進し、貢献する時間的パターンの重要性を自動的に把握する、スケールワイズ融合モジュールを開発した。 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。

関連論文リスト

• TiVaT: Joint-Axis Attention for Time Series Forecasting with Lead-Lag Dynamics [5.016178141636157]
  TiVaT(Time-Variable Transformer)は、時間と変数の依存関係を統合する新しいアーキテクチャである。 TiVaTは、さまざまなデータセットに対して、一貫して強力なパフォーマンスを提供する。 これによってTiVaTは、特に複雑で困難な依存関係を特徴とするデータセットの処理において、MTS予測の新しいベンチマークとして位置づけられる。
  論文  参考訳（メタデータ） (2024-10-02T13:24:24Z)
• 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)
• MSGNet: Learning Multi-Scale Inter-Series Correlations for Multivariate Time Series Forecasting [18.192600104502628]
  時系列データはしばしば、シリーズ内およびシリーズ間相関を示す。 MSGNetの有効性を示すために、複数の実世界のデータセットで大規模な実験が行われた。
  論文  参考訳（メタデータ） (2023-12-31T08:23:24Z)
• 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)
• 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)
• Dynamic Relation Discovery and Utilization in Multi-Entity Time Series Forecasting [92.32415130188046]
  多くの現実世界のシナリオでは、実体の間に決定的かつ暗黙的な関係が存在する可能性がある。 本稿では,自動グラフ学習(A2GNN)を用いたマルチグラフニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-02-18T11:37:04Z)
• Scale-Aware Neural Architecture Search for Multivariate Time Series Forecasting [7.877931505819402]
  MTS予測のためのスケール対応ニューラルネットワーク探索フレームワーク(SNAS4MTF)を提案する。 マルチスケール分解モジュールは、生の時系列をマルチスケールサブシリーズに変換する。 適応グラフ学習モジュールは、異なる時間スケールで異なる変数間の依存関係を推論する。
  論文  参考訳（メタデータ） (2021-12-14T15:14:03Z)
• MTHetGNN: A Heterogeneous Graph Embedding Framework for Multivariate Time Series Forecasting [4.8274015390665195]
  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。
  論文  参考訳（メタデータ） (2020-08-19T18:21:22Z)
• 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)

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。