論文の概要: A Systematic Literature Review of Spatio-Temporal Graph Neural Network Models for Time Series Forecasting and Classification

• arxiv url: http://arxiv.org/abs/2410.22377v4
• Date: Mon, 03 Nov 2025 20:55:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 12:15:51.09492
• Title: A Systematic Literature Review of Spatio-Temporal Graph Neural Network Models for Time Series Forecasting and Classification
• Title（参考訳）: 時系列予測と分類のための時空間グラフニューラルネットワークモデルの体系的文献レビュー
• Authors: Flavio Corradini, Flavio Gerosa, Marco Gori, Carlo Lucheroni, Marco Piangerelli, Martina Zannotti,
• Abstract要約: この体系的なレビューは、時系列予測と予測のための様々なモデリングアプローチとGNNの応用の概要を提供する。 我々の知る限りでは、この論文は、現在の体系的・時間的GNNモデルから異なる領域に適用された結果の最初の、そして最も広い文献レビューである。
• 参考スコア（独自算出の注目度）: 6.0066735457874145
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, spatio-temporal graph neural networks (GNNs) have attracted considerable interest in the field of time series analysis, due to their ability to capture, at once, dependencies among variables and across time points. The objective of this systematic literature review is hence to provide a comprehensive overview of the various modeling approaches and application domains of GNNs for time series classification and forecasting. A database search was conducted, and 366 papers were selected for a detailed examination of the current state-of-the-art in the field. This examination is intended to offer to the reader a comprehensive review of proposed models, links to related source code, available datasets, benchmark models, and fitting results. All this information is hoped to assist researchers in their studies. To the best of our knowledge, this is the first and broadest systematic literature review presenting a detailed comparison of results from current spatio-temporal GNN models applied to different domains. In its final part, this review discusses current limitations and challenges in the application of spatio-temporal GNNs, such as comparability, reproducibility, explainability, poor information capacity, and scalability. This paper is complemented by a GitHub repository at https://github.com/FlaGer99/SLR-Spatio-Temporal-GNN.git providing additional interactive tools to further explore the presented findings.
• Abstract（参考訳）: 近年、時空間グラフニューラルネットワーク(GNN)は、変数間の依存性と時間点間の依存関係を一度にキャプチャできるため、時系列解析の分野に大きな関心を集めている。 この体系的な文献レビューの目的は、時系列分類と予測のための様々なモデリング手法とGNNの応用領域を網羅的に概観することである。 データベース検索を行い,現場における現状の詳細な調査のために366件の論文を選定した。 この試験は、提案されたモデル、関連するソースコード、利用可能なデータセット、ベンチマークモデル、適合する結果の包括的なレビューを読者に提供することを意図している。 これらの情報はすべて、研究者の研究を支援するために期待されている。 我々の知る限りでは、異なる領域に適用された現在の時空間GNNモデルによる結果の詳細な比較を提示する、最初の、そして最も広い体系的な文献レビューである。 最終部では、可視性、再現性、説明可能性、情報容量の低さ、スケーラビリティなど、時空間GNNの適用における現在の限界と課題について論じる。 この論文はhttps://github.com/FlaGer99/SLR-Spatio-Temporal-GNN.gitのGitHubリポジトリで補完されており、提示された結果をさらに調査するためのインタラクティブなツールを提供する。

関連論文リスト

• Deep Time Series Models: A Comprehensive Survey and Benchmark [74.28364194333447]
  時系列データは、現実世界のシナリオにおいて非常に重要である。 近年、時系列コミュニティで顕著なブレークスルーが見られた。 多様な分析タスクのためのディープ時系列モデルの公正なベンチマークとして、時系列ライブラリ(TSLib)をリリースします。
  論文  参考訳（メタデータ） (2024-07-18T08:31:55Z)
• A Survey on Diffusion Models for Time Series and Spatio-Temporal Data [92.1255811066468]
  時系列およびS時間データにおける拡散モデルの使用について概観し、それらをモデル、タスクタイプ、データモダリティ、実用的なアプリケーションドメインで分類する。 我々は拡散モデルを無条件型と条件付き型に分類し、時系列とS時間データを別々に議論する。 本調査は,医療,レコメンデーション,気候,エネルギー,オーディオ,交通など,さまざまな分野の応用を幅広くカバーしている。
  論文  参考訳（メタデータ） (2024-04-29T17:19:40Z)
• Large Models for Time Series and Spatio-Temporal Data: A Survey and Outlook [95.32949323258251]
  時系列データ、特に時系列データと時間時間データは、現実世界のアプリケーションで広く使われている。 大規模言語やその他の基礎モデルの最近の進歩は、時系列データマイニングや時間データマイニングでの使用の増加に拍車を掛けている。
  論文  参考訳（メタデータ） (2023-10-16T09:06:00Z)
• A Survey on Graph Neural Networks for Time Series: Forecasting, Classification, Imputation, and Anomaly Detection [98.41798478488101]
  時系列分析は、利用可能なデータに暗黙的な情報の富を解放するために不可欠である。 グラフニューラルネットワーク(GNN)の最近の進歩は、時系列解析のためのGNNベースのアプローチの急増につながっている。 この調査は、GNNベースの時系列研究に関する膨大な知識をまとめ、基礎、実践的応用、時系列分析のためのグラフニューラルネットワークの機会を強調します。
  論文  参考訳（メタデータ） (2023-07-07T08:05:03Z)
• Graph Neural Network for spatiotemporal data: methods and applications [7.612070518526342]
  グラフニューラルネットワーク(GNN)は、互いに依存したデータを理解する強力なツールとして登場した。 本稿では、時間領域におけるGNNの技術と応用について概観する。
  論文  参考訳（メタデータ） (2023-05-30T02:27:17Z)
• Towards Expressive Spectral-Temporal Graph Neural Networks for Time Series Forecasting [101.5022396668152]
  スペクトル時間グラフニューラルネットワークは、ほとんどの時系列予測モデルの基礎となる、有望な抽象化である。 我々は、スペクトル時間GNNの表現力を高める理論的枠組みを確立する。 本研究は,GNNをベースとした時系列モデルにおいて,より広範に表現可能なGNNモデルを考案するための道筋をたどるものである。
  論文  参考訳（メタデータ） (2023-05-11T05:56:38Z)
• Graph Neural Networks for temporal graphs: State of the art, open challenges, and opportunities [15.51428011794213]
  グラフニューラルネットワーク(GNN)は、(静的)グラフ構造化データを学ぶための主要なパラダイムとなっている。 近年, 時間グラフのためのGNNベースのモデルが, GNNの能力を拡張すべく, 有望な研究領域として浮上している。 本稿では、時間的GNNの現状を概観し、学習設定とタスクの厳密な形式化を導入する。 調査は、研究と応用の両方の観点から、この分野における最も関連性の高いオープン課題に関する議論で締めくくります。
  論文  参考訳（メタデータ） (2023-02-02T11:12:51Z)
• Temporal Relevance Analysis for Video Action Models [70.39411261685963]
  まず,CNNに基づく行動モデルにより捉えたフレーム間の時間的関係を定量化する手法を提案する。 次に、時間的モデリングがどのように影響を受けるかをよりよく理解するために、包括的な実験と詳細な分析を行います。
  論文  参考訳（メタデータ） (2022-04-25T19:06:48Z)
• 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。