論文の概要: STRGCN: Capturing Asynchronous Spatio-Temporal Dependencies for Irregular Multivariate Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2505.04167v1
• Date: Wed, 07 May 2025 06:41:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-08 19:07:35.991289
• Title: STRGCN: Capturing Asynchronous Spatio-Temporal Dependencies for Irregular Multivariate Time Series Forecasting
• Title（参考訳）: STRGCN:不規則な多変量時系列予測のための非同期時空間依存性のキャプチャ
• Authors: Yulong Wang, Xiaofeng Hu, Xiaojian Cui, Kai Wang,
• Abstract要約: STRGCNはIMTSの複雑な相互依存性を完全連結グラフとして表現する。 4つの公開データセットの実験では、STRGCNが最先端の精度、競合するメモリ使用量、トレーニング速度を達成することが示されている。
• 参考スコア（独自算出の注目度）: 14.156419219696252
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Irregular multivariate time series (IMTS) are prevalent in real-world applications across many fields, where varying sensor frequencies and asynchronous measurements pose significant modeling challenges. Existing solutions often rely on a pre-alignment strategy to normalize data, which can distort intrinsic patterns and escalate computational and memory demands. Addressing these limitations, we introduce STRGCN, a Spatio-Temporal Relational Graph Convolutional Network that avoids pre-alignment and directly captures the complex interdependencies in IMTS by representing them as a fully connected graph. Each observation is represented as a node, allowing the model to effectively handle misaligned timestamps by mapping all inter-node relationships, thus faithfully preserving the asynchronous nature of the data. Moreover, we enhance this model with a hierarchical ``Sandwich'' structure that strategically aggregates nodes to optimize graph embeddings, reducing computational overhead while maintaining detailed local and global context. Extensive experiments on four public datasets demonstrate that STRGCN achieves state-of-the-art accuracy, competitive memory usage and training speed.
• Abstract（参考訳）: 不規則な多変量時系列(IMTS)は、様々なセンサ周波数と非同期測定が重要なモデリング課題をもたらす、多くの分野にわたる実世界のアプリケーションで広く使われている。 既存のソリューションはしばしばデータの正規化のための事前調整戦略に依存しており、本質的なパターンを歪め、計算とメモリの要求をエスカレートすることができる。 これらの制約に対処するため, STRGCN を導入し, 事前調整を回避し, 完全に連結したグラフとして表現することでIMTS の複雑な相互依存性を直接キャプチャする。 各観測はノードとして表現され、すべてのノード間の関係をマッピングすることで、モデルが非一致のタイムスタンプを効果的に処理できるため、データの非同期性は忠実に保たれる。 さらに,グラフ埋め込みを最適化するためにノードを戦略的に集約し,詳細なローカルコンテキストとグローバルコンテキストを維持しながら計算オーバーヘッドを低減する階層的な 'Sandwich'' 構造により,このモデルを強化する。 4つの公開データセットに関する大規模な実験は、STRGCNが最先端の精度、競合するメモリ使用量、トレーニング速度を達成することを示した。

関連論文リスト

• T-Graphormer: Using Transformers for Spatiotemporal Forecasting [2.855856661274715]
  T-Graphormerは、ルート平均二乗誤差(RMSE)と平均絶対パーセンテージ誤差(MAPE)を最大20%と10%削減する。 本稿では,T-Graphormerのリアルタイムトラフィック予測ベンチマークに対する有効性を示す。
  論文  参考訳（メタデータ） (2025-01-22T23:32:29Z)
• SAGDFN: A Scalable Adaptive Graph Diffusion Forecasting Network for Multivariate Time Series Forecasting [19.111041921060366]
  本稿では、複雑な空間的時間的相関を捉えるために、スケーラブルな適応グラフ拡散予測ネットワーク(SAGDFN)を提案する。 SAGDFNは、空間相関に関する事前の知識を必要とせず、数千のノードのデータセットにスケーラブルである。 207ノードの1つの実世界のデータセットで、最先端のベースラインと同等のパフォーマンスを達成し、2000ノードの3つの実世界のデータセットで、最先端のベースラインをかなり上回っている。
  論文  参考訳（メタデータ） (2024-06-18T05:19:51Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• Fully-Connected Spatial-Temporal Graph for Multivariate Time-Series Data [50.84488941336865]
  完全時空間グラフニューラルネットワーク(FC-STGNN)という新しい手法を提案する。 グラフ構築のために、時間的距離に基づいて、すべてのタイムスタンプにセンサーを接続する減衰グラフを設計する。 グラフ畳み込みのために,移動プールGNN層を用いたFCグラフ畳み込みを考案し,ST依存性を効果的に把握し,効率的な表現を学習する。
  論文  参考訳（メタデータ） (2023-09-11T08:44:07Z)
• Enhancing the Robustness via Adversarial Learning and Joint Spatial-Temporal Embeddings in Traffic Forecasting [11.680589359294972]
  本稿では,ダイナミックスとロバストネスのバランスをとることの課題に対処するため,TrendGCNを提案する。 我々のモデルは、空間的(ノード的に)埋め込みと時間的(時間的に)埋め込みを同時に組み込んで、不均一な空間的・時間的畳み込みを考慮に入れている。 ステップワイドな予測エラーを独立して扱う従来のアプローチと比較して、我々のアプローチはより現実的で堅牢な予測を生み出すことができる。
  論文  参考訳（メタデータ） (2022-08-05T09:36:55Z)
• 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)
• Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [75.10017445699532]
  近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。 本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-25T08:45:14Z)

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。