論文の概要: GEANN: Scalable Graph Augmentations for Multi-Horizon Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2307.03595v1
• Date: Fri, 7 Jul 2023 13:38:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-10 12:22:26.995783
• Title: GEANN: Scalable Graph Augmentations for Multi-Horizon Time Series Forecasting
• Title（参考訳）: GEANN: マルチ水平時系列予測のためのスケーラブルグラフ拡張
• Authors: Sitan Yang, Malcolm Wolff, Shankar Ramasubramanian, Vincent Quenneville-Belair, Ronak Metha, Michael W. Mahoney
• Abstract要約: 関心が急速に高まっているトピックは、十分な履歴データがない時系列を予測することである。 本稿では,グラフニューラルネットワーク(GNN)をデータ拡張として活用することにより,この問題に対処する新しい方法を提案する。 我々のアーキテクチャは、数百万のノードを持つ複数の非常に大きなグラフから情報を取り込むために、データ駆動グラフまたはドメイン知識定義グラフのいずれかを使用することができる。
• 参考スコア（独自算出の注目度）: 36.85187795776383
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Encoder-decoder deep neural networks have been increasingly studied for multi-horizon time series forecasting, especially in real-world applications. However, to forecast accurately, these sophisticated models typically rely on a large number of time series examples with substantial history. A rapidly growing topic of interest is forecasting time series which lack sufficient historical data -- often referred to as the ``cold start'' problem. In this paper, we introduce a novel yet simple method to address this problem by leveraging graph neural networks (GNNs) as a data augmentation for enhancing the encoder used by such forecasters. These GNN-based features can capture complex inter-series relationships, and their generation process can be optimized end-to-end with the forecasting task. We show that our architecture can use either data-driven or domain knowledge-defined graphs, scaling to incorporate information from multiple very large graphs with millions of nodes. In our target application of demand forecasting for a large e-commerce retailer, we demonstrate on both a small dataset of 100K products and a large dataset with over 2 million products that our method improves overall performance over competitive baseline models. More importantly, we show that it brings substantially more gains to ``cold start'' products such as those newly launched or recently out-of-stock.
• Abstract（参考訳）: エンコーダデコーダディープニューラルネットワークは、特に実世界のアプリケーションにおいて、マルチホライゾン時系列予測のためにますます研究されている。 しかし、正確に予測するには、これらの洗練されたモデルは通常、かなりの歴史を持つ多くの時系列の例に依存している。 関心が急速に高まっているトピックは、十分な履歴データがない時系列を予測することです。 本稿では、グラフニューラルネットワーク(GNN)をデータ拡張として活用し、予測器が使用するエンコーダを強化することにより、この問題に対処する新しい方法を提案する。 これらのgnnベースの機能は複雑なシリーズ間関係をキャプチャし、その生成プロセスを予測タスクでエンドツーエンドに最適化することができる。 我々のアーキテクチャは、数百万のノードを持つ複数の非常に大きなグラフから情報を取り込むために、データ駆動またはドメイン知識定義グラフのいずれかを使用することができる。 大手eコマース小売店の需要予測を対象とするアプリケーションでは,100万商品の小さなデータセットと200万製品以上の大規模データセットの両方を実演し,競争ベースラインモデルよりも全体的なパフォーマンスを向上させる。 さらに重要なことは、新しくローンチされた製品や最近在庫切れになった製品のような ``cold start'' 製品に、かなり多くの利益をもたらすことを示しています。

関連論文リスト

• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• Unified Training of Universal Time Series Forecasting Transformers [104.56318980466742]
  マスク型ユニバーサル時系列予測変換器(モイライ)について述べる。 Moiraiは、新たに導入された大規模オープンタイムシリーズアーカイブ(LOTSA)で訓練されており、9つのドメインで27億以上の観測が行われた。 Moiraiは、フルショットモデルと比較してゼロショットの予測器として、競争力や優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-02-04T20:00:45Z)
• FourierGNN: Rethinking Multivariate Time Series Forecasting from a Pure Graph Perspective [48.00240550685946]
  現在の最先端グラフニューラルネットワーク(GNN)ベースの予測手法は、通常、シリーズ間(空間)のダイナミックスとシリーズ内(時間)の依存関係をキャプチャするために、グラフネットワーク(GCNなど)と時間ネットワーク(LSTMなど)の両方を必要とする。 提案するフーリエグラフ演算子(FGO)を積み重ねて,フーリエ空間で行列乗算を行うことにより,新しいフーリエグラフニューラルネットワーク(FourierGNN)を提案する。 7つのデータセットに対する実験は、より効率が良く、パラメータも少ないという優れた性能を示した。
  論文  参考訳（メタデータ） (2023-11-10T17:13:26Z)
• 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)
• 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)
• HUTFormer: Hierarchical U-Net Transformer for Long-Term Traffic Forecasting [13.49661832917228]
  我々は,例えば1日間の予測など,長期の交通予測を探求する最初の試みを行っている。 本稿では,長期交通予測の問題に対処する新しい階層型U-netトランスフォーマーを提案する。 提案したHUTFormerは、最先端のトラフィック予測と長時間の時系列予測ベースラインを大きく上回っている。
  論文  参考訳（メタデータ） (2023-07-27T02:43:21Z)
• Sparsity exploitation via discovering graphical models in multi-variate time-series forecasting [1.2762298148425795]
  本稿では,グラフ生成モジュールとGNN予測モジュールを含む分離学習手法を提案する。 まず、Graphical Lasso(またはGraphLASSO)を使用して、データから空間パターンを直接利用してグラフ構造を構築します。 次に、これらのグラフ構造と入力データをGCRN(Graph Convolutional Recurrent Network)に適合させて予測モデルをトレーニングする。
  論文  参考訳（メタデータ） (2023-06-29T16:48:00Z)
• Pre-training Enhanced Spatial-temporal Graph Neural Network for Multivariate Time Series Forecasting [13.441945545904504]
  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。
  論文  参考訳（メタデータ） (2022-06-18T04:24:36Z)
• Multivariate Time Series Regression with Graph Neural Networks [0.6124773188525718]
  近年のディープラーニングのグラフへの適用は,様々なグラフ関連タスクにおいて有望な可能性を示している。 しかし,これらの手法は時系列関連タスクにはあまり適用されていない。 本研究では,これらの長いシーケンスを多変量時系列回帰タスクで処理できるアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-01-03T16:11:46Z)

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。