論文の概要: Pre-training Enhanced Spatial-temporal Graph Neural Network for
Multivariate Time Series Forecasting
- arxiv url: http://arxiv.org/abs/2206.09113v1
- Date: Sat, 18 Jun 2022 04:24:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-26 14:15:42.786251
- Title: Pre-training Enhanced Spatial-temporal Graph Neural Network for
Multivariate Time Series Forecasting
- Title（参考訳）: 多変量時系列予測のための事前学習型時空間グラフニューラルネットワーク
- Authors: Zezhi Shao, Zhao Zhang, Fei Wang, Yongjun Xu
- Abstract要約: スケーラブルな時系列事前学習モデル(STEP)によりSTGNNが拡張される新しいフレームワークを提案する。
具体的には、非常に長期の歴史時系列から時間パターンを効率的に学習するための事前学習モデルを設計する。
我々のフレームワークは下流のSTGNNを著しく強化することができ、事前学習モデルは時間パターンを適切にキャプチャする。
- 参考スコア（独自算出の注目度）: 13.441945545904504
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multivariate Time Series (MTS) forecasting plays a vital role in a wide range
of applications. Recently, Spatial-Temporal Graph Neural Networks (STGNNs) have
become increasingly popular MTS forecasting methods. STGNNs jointly model the
spatial and temporal patterns of MTS through graph neural networks and
sequential models, significantly improving the prediction accuracy. But limited
by model complexity, most STGNNs only consider short-term historical MTS data,
such as data over the past one hour. However, the patterns of time series and
the dependencies between them (i.e., the temporal and spatial patterns) need to
be analyzed based on long-term historical MTS data. To address this issue, we
propose a novel framework, in which STGNN is Enhanced by a scalable time series
Pre-training model (STEP). Specifically, we design a pre-training model to
efficiently learn temporal patterns from very long-term history time series
(e.g., the past two weeks) and generate segment-level representations. These
representations provide contextual information for short-term time series input
to STGNNs and facilitate modeling dependencies between time series. Experiments
on three public real-world datasets demonstrate that our framework is capable
of significantly enhancing downstream STGNNs, and our pre-training model aptly
captures temporal patterns.
- Abstract（参考訳）: 多変量時系列(MTS)予測は、幅広いアプリケーションにおいて重要な役割を果たす。
近年,時空間グラフニューラルネットワーク (STGNN) がMSS予測手法として普及している。
STGNNはグラフニューラルネットワークとシーケンシャルモデルを通じてMTSの空間的パターンと時間的パターンを共同でモデル化し、予測精度を大幅に向上させる。
しかし、モデル複雑さによって制限されるため、STGNNの多くは、過去1時間にわたるデータなど、短期的なMSSデータのみを考慮する。
しかし、時系列のパターンとそれらの間の依存関係(時間的および空間的パターン)は、長期の歴史的MSSデータに基づいて分析する必要がある。
この問題に対処するために,STGNNはスケーラブルな時系列事前学習モデル(STEP)によって拡張される新しいフレームワークを提案する。
具体的には,非常に長い歴史の時系列(例えば過去2週間)から時間パターンを効率的に学習し,セグメントレベルの表現を生成する事前学習モデルを設計する。
これらの表現は、STGNNへの短期時系列入力のためのコンテキスト情報を提供し、時系列間のモデリング依存を容易にする。
3つの公開実世界のデータセットの実験により、我々のフレームワークは下流のSTGNNを著しく拡張できることを示した。
関連論文リスト
- Test Time Learning for Time Series Forecasting [1.4605709124065924]
テストタイムトレーニング(TTT)モジュールは、MambaベースのTimeMachineなど、最先端モデルよりも一貫して優れている。
その結果,平均二乗誤差 (MSE) と平均絶対誤差 (MAE) に有意な改善が認められた。
この研究は、時系列予測の新しいベンチマークを設定し、スケーラブルで高性能な予測モデルにおける将来の研究の基礎を定めている。
論文 参考訳（メタデータ） (2024-09-21T04:40:08Z) - Timer: Generative Pre-trained Transformers Are Large Time Series Models [83.03091523806668]
本稿では,大規模時系列モデル(LTSM)の早期開発を目的とした。
事前トレーニング中に、最大10億のタイムポイントを持つ大規模なデータセットをキュレートします。
多様なアプリケーションのニーズを満たすため,予測,計算,時系列の異常検出を統一的な生成タスクに変換する。
論文 参考訳（メタデータ） (2024-02-04T06:55:55Z) - Pushing the Limits of Pre-training for Time Series Forecasting in the
CloudOps Domain [54.67888148566323]
クラウドオペレーションドメインから,大規模時系列予測データセットを3つ導入する。
強力なゼロショットベースラインであり、モデルとデータセットサイズの両方において、さらなるスケーリングの恩恵を受けています。
これらのデータセットと結果を取得することは、古典的および深層学習のベースラインを事前訓練された方法と比較した総合的なベンチマーク結果の集合である。
論文 参考訳（メタデータ） (2023-10-08T08:09:51Z) - Graph-enabled Reinforcement Learning for Time Series Forecasting with
Adaptive Intelligence [11.249626785206003]
グラフニューラルネットワーク(GNN)と強化学習(RL)を用いたモニタリングによる時系列データの予測手法を提案する。
GNNは、データのグラフ構造をモデルに明示的に組み込むことができ、時間的依存関係をより自然な方法でキャプチャすることができる。
このアプローチは、医療、交通、天気予報など、複雑な時間構造におけるより正確な予測を可能にする。
論文 参考訳（メタデータ） (2023-09-18T22:25:12Z) - 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) - 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) - Online Evolutionary Neural Architecture Search for Multivariate
Non-Stationary Time Series Forecasting [72.89994745876086]
本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。
ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。
その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
論文 参考訳（メタデータ） (2023-02-20T22:25:47Z) - Contextually Enhanced ES-dRNN with Dynamic Attention for Short-Term Load
Forecasting [1.1602089225841632]
提案手法は,コンテキストトラックとメイントラックという,同時に訓練された2つのトラックから構成される。
RNNアーキテクチャは、階層的な拡張を積み重ねた複数の繰り返し層で構成され、最近提案された注意的再帰細胞を備えている。
このモデルは点予測と予測間隔の両方を生成する。
論文 参考訳（メタデータ） (2022-12-18T07:42:48Z) - 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) - Improving the Accuracy of Global Forecasting Models using Time Series
Data Augmentation [7.38079566297881]
GFM(Global Forecasting Models)として知られる多くの時系列のセットでトレーニングされた予測モデルは、競争や実世界のアプリケーションを予測する上で有望な結果を示している。
本稿では,GFMモデルのベースライン精度を向上させるための,データ拡張に基づく新しい予測フレームワークを提案する。
論文 参考訳（メタデータ） (2020-08-06T13:52:20Z) - 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。