論文の概要: ForecastGrapher: Redefining Multivariate Time Series Forecasting with Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2405.18036v1
- Date: Tue, 28 May 2024 10:40:20 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-29 19:08:25.391125
- Title: ForecastGrapher: Redefining Multivariate Time Series Forecasting with Graph Neural Networks
- Title（参考訳）: ForecastGrapher: グラフニューラルネットワークによる多変量時系列予測の再定義
- Authors: Wanlin Cai, Kun Wang, Hao Wu, Xiaoxu Chen, Yuankai Wu,
- Abstract要約: 本稿では、複雑な時間的ダイナミクスと系列間相関をキャプチャするフレームワークであるForecastGrapherを紹介する。
提案手法は,各系列の時間的変動を反映するカスタムノード埋め込みの生成,系列間の相関関係を符号化する適応的隣接行列の構築,および第3に,ノード特徴分布の多様化によるGNNの表現力の増大という,3つの重要なステップによって支えられている。
- 参考スコア（独自算出の注目度）: 9.006068771300377
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The challenge of effectively learning inter-series correlations for multivariate time series forecasting remains a substantial and unresolved problem. Traditional deep learning models, which are largely dependent on the Transformer paradigm for modeling long sequences, often fail to integrate information from multiple time series into a coherent and universally applicable model. To bridge this gap, our paper presents ForecastGrapher, a framework reconceptualizes multivariate time series forecasting as a node regression task, providing a unique avenue for capturing the intricate temporal dynamics and inter-series correlations. Our approach is underpinned by three pivotal steps: firstly, generating custom node embeddings to reflect the temporal variations within each series; secondly, constructing an adaptive adjacency matrix to encode the inter-series correlations; and thirdly, augmenting the GNNs' expressive power by diversifying the node feature distribution. To enhance this expressive power, we introduce the Group Feature Convolution GNN (GFC-GNN). This model employs a learnable scaler to segment node features into multiple groups and applies one-dimensional convolutions with different kernel lengths to each group prior to the aggregation phase. Consequently, the GFC-GNN method enriches the diversity of node feature distribution in a fully end-to-end fashion. Through extensive experiments and ablation studies, we show that ForecastGrapher surpasses strong baselines and leading published techniques in the domain of multivariate time series forecasting.
- Abstract（参考訳）: 多変量時系列予測のための系列間相関を効果的に学習することの課題は、大きな問題であり、未解決の問題である。
従来のディープラーニングモデルは、長いシーケンスをモデル化するためのTransformerパラダイムに大きく依存しているが、複数の時系列からの情報を一貫性のある普遍的なモデルに統合できないことが多い。
このギャップを埋めるために、我々はForecastGrapherというフレームワークを紹介した。このフレームワークは、ノード回帰タスクとして多変量時系列予測を再認識し、複雑な時間的ダイナミクスとシリーズ間相関をキャプチャするためのユニークな方法を提供する。
提案手法は,各系列の時間的変動を反映したノード埋め込みの生成,系列間の相関関係を符号化する適応的隣接行列の構築,およびノード特徴分布の多様化によるGNNの表現力の増大という3つの重要なステップによって支えられている。
この表現力を高めるために,GFC-GNN (Group Feature Convolution GNN) を導入する。
このモデルは学習可能なスケーラを用いてノードの特徴を複数のグループに分割し、集約フェーズの前に各グループに異なるカーネル長を持つ1次元の畳み込みを適用する。
その結果、GFC-GNN法は、完全なエンドツーエンド方式でノード特徴分布の多様性を向上する。
大規模な実験とアブレーション研究を通じて、ForecastGrapherは強力なベースラインを超え、多変量時系列予測の分野において主要な技術であることを示す。
関連論文リスト
- Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
我々は時系列の統一予測のための生成変換器Timer-XLを提案する。
Timer-XLは、統一されたアプローチにより、挑戦的な予測ベンチマークで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-10-07T07:27:39Z) - Multivariate Time-Series Anomaly Detection based on Enhancing Graph Attention Networks with Topological Analysis [31.43159668073136]
時系列における教師なし異常検出は、手動による介入の必要性を大幅に低減するため、産業応用において不可欠である。
従来の手法では、グラフニューラルネットワーク(GNN)やトランスフォーマーを使用して空間を解析し、RNNは時間的依存をモデル化していた。
本稿では,TopoGDNと呼ばれる多変量時系列異常検出のための拡張グラフ注意ネットワーク(GAT)上に構築された新しい時間モデルを提案する。
論文 参考訳（メタデータ） (2024-08-23T14:06:30Z) - MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。
予測性能を高めるために3段階の相関を同時に検討する。
注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
論文 参考訳（メタデータ） (2024-05-30T03:32:44Z) - DGCformer: Deep Graph Clustering Transformer for Multivariate Time Series Forecasting [16.081071155397186]
本稿では,多変量時系列予測のためのDeep Graph Clustering Transformer (DGCformer)を提案する。
まず、これらの関連する変数をオートエンコーダと統合されたグラフ畳み込みネットワークでグループ化し、その後、以前のラスタマスクによる自己保持機構を検討する。
論文 参考訳（メタデータ） (2024-05-14T09:01:33Z) - 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) - MTS2Graph: Interpretable Multivariate Time Series Classification with
Temporal Evolving Graphs [1.1756822700775666]
入力代表パターンを抽出・クラスタリングすることで時系列データを解釈する新しいフレームワークを提案する。
UCR/UEAアーカイブの8つのデータセットとHARとPAMデータセットで実験を行います。
論文 参考訳（メタデータ） (2023-06-06T16:24:27Z) - Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。
階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
論文 参考訳（メタデータ） (2023-05-11T10:30:35Z) - 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) - 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。