論文の概要: FourierGNN: Rethinking Multivariate Time Series Forecasting from a Pure Graph Perspective

• arxiv url: http://arxiv.org/abs/2311.06190v1
• Date: Fri, 10 Nov 2023 17:13:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-13 14:27:50.473929
• Title: FourierGNN: Rethinking Multivariate Time Series Forecasting from a Pure Graph Perspective
• Title（参考訳）: FourierGNN: 純粋なグラフから見た多変量時系列予測の再考
• Authors: Kun Yi, Qi Zhang, Wei Fan, Hui He, Liang Hu, Pengyang Wang, Ning An, Longbing Cao, Zhendong Niu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 48.00240550685946
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multivariate time series (MTS) forecasting has shown great importance in numerous industries. Current state-of-the-art graph neural network (GNN)-based forecasting methods usually require both graph networks (e.g., GCN) and temporal networks (e.g., LSTM) to capture inter-series (spatial) dynamics and intra-series (temporal) dependencies, respectively. However, the uncertain compatibility of the two networks puts an extra burden on handcrafted model designs. Moreover, the separate spatial and temporal modeling naturally violates the unified spatiotemporal inter-dependencies in real world, which largely hinders the forecasting performance. To overcome these problems, we explore an interesting direction of directly applying graph networks and rethink MTS forecasting from a pure graph perspective. We first define a novel data structure, hypervariate graph, which regards each series value (regardless of variates or timestamps) as a graph node, and represents sliding windows as space-time fully-connected graphs. This perspective considers spatiotemporal dynamics unitedly and reformulates classic MTS forecasting into the predictions on hypervariate graphs. Then, we propose a novel architecture Fourier Graph Neural Network (FourierGNN) by stacking our proposed Fourier Graph Operator (FGO) to perform matrix multiplications in Fourier space. FourierGNN accommodates adequate expressiveness and achieves much lower complexity, which can effectively and efficiently accomplish the forecasting. Besides, our theoretical analysis reveals FGO's equivalence to graph convolutions in the time domain, which further verifies the validity of FourierGNN. Extensive experiments on seven datasets have demonstrated our superior performance with higher efficiency and fewer parameters compared with state-of-the-art methods.
• Abstract（参考訳）: 多変量時系列(MTS)予測は多くの産業で非常に重要である。 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。 しかし、2つのネットワークの不確実性は、手作りのモデル設計に余分な負担を与える。 さらに、空間的・時間的モデリングは、現実の空間的相互依存性の統一に自然に違反し、予測性能を阻害する。 これらの問題を克服するために、グラフネットワークを直接適用する興味深い方向を探り、純粋なグラフの観点から MTS 予測を再考する。 まず,各時系列値(変数やタイムスタンプによらず)をグラフノードとみなし,スライディングウィンドウを時空間完全連結グラフとして表現する,新しいデータ構造であるハイパーバリアイトグラフを定義する。 この視点は時空間力学を統一し、古典的mts予測を超変量グラフの予測へと再構成する。 次に,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における行列乗算を行う,新しいアーキテクチャであるフーリエグラフニューラルネットワーク(fouriergnn)を提案する。 FourierGNNは適切な表現性に対応し、より少ない複雑さを実現し、予測を効果的かつ効率的に行うことができる。 さらに、FGOの時間領域におけるグラフ畳み込みに対する等価性を明らかにし、フーリエGNNの有効性をさらに検証する。 7つのデータセットに対する大規模な実験は、最先端の手法と比較して高い効率と少ないパラメータで優れた性能を示した。

関連論文リスト

• 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)
• Dynamic Causal Explanation Based Diffusion-Variational Graph Neural Network for Spatio-temporal Forecasting [60.03169701753824]
  時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。 提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
  論文  参考訳（メタデータ） (2023-05-16T11:38:19Z)
• Space-Time Graph Neural Networks with Stochastic Graph Perturbations [100.31591011966603]
  時空間グラフニューラルネットワーク(ST-GNN)は、時間変動データの効率的なグラフ表現を学習する。 本稿では,ST-GNNの特性を再検討し,安定なグラフ安定性を示す。 解析の結果,ST-GNNは時間変化グラフ上での移動学習に適していることが示唆された。
  論文  参考訳（メタデータ） (2022-10-28T16:59:51Z)
• Edge-Varying Fourier Graph Networks for Multivariate Time Series Forecasting [46.76885997673142]
  我々は時系列変数のための効率的なグラフ畳み込みネットワークを構築した。 MTS分析と予測のために,高効率スケールフリーパラメータ学習手法を導出する。 実験により、EV-FGNは7つの実世界のMTSデータセットで最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2022-10-06T17:50:07Z)
• Long-term Spatio-temporal Forecasting via Dynamic Multiple-Graph Attention [20.52864145999387]
  長期的テンソル時間予測(LSTF)は、空間的領域と時間的領域、文脈的情報、およびデータ固有のパターン間の長期的依存関係を利用する。 本稿では,各ノードのコンテキスト情報と長期駐車による時間的データ依存構造を表現する新しいグラフモデルを提案する。 提案手法は,LSTF予測タスクにおける既存のグラフニューラルネットワークモデルの性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2022-04-23T06:51:37Z)
• 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)
• Spectral Temporal Graph Neural Network for Multivariate Time-series Forecasting [19.50001395081601]
  StemGNNはシリーズ間の相関と時間的依存関係をキャプチャする。 畳み込みと逐次学習モジュールによって効果的に予測できる。 StemGNNの有効性を示すために、10の実世界のデータセットに関する広範な実験を実施します。
  論文  参考訳（メタデータ） (2021-03-13T13:44:20Z)
• Spatio-Temporal Graph Scattering Transform [54.52797775999124]
  グラフニューラルネットワークは、十分な高品質のトレーニングデータがないために、現実のシナリオでは実用的ではないかもしれない。 我々は時間的データを解析するための数学的に設計された新しいフレームワークを考案した。
  論文  参考訳（メタデータ） (2020-12-06T19:49:55Z)

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。