論文の概要: MillGNN: Learning Multi-Scale Lead-Lag Dependencies for Multi-Variate Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2509.03852v1
• Date: Thu, 04 Sep 2025 03:28:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-05 20:21:10.038763
• Title: MillGNN: Learning Multi-Scale Lead-Lag Dependencies for Multi-Variate Time Series Forecasting
• Title（参考訳）: MillGNN: 多変量時系列予測のためのマルチスケールリードラグ依存性の学習
• Authors: Binqing Wu, Zongjiang Shang, Jianlong Huang, Ling Chen,
• Abstract要約: 我々は,MillGNNを提案する。MillGNNは,MTS予測のためのアンダーラインリード-アンダーラインラグ依存性を学習する新しい手法である。 MillGNNでは、スケール固有のリードラググラフ学習モジュールと階層的なリードラグメッセージパッシングモジュールという、2つの重要なイノベーションを紹介している。 11のデータセットに対する実験結果から,MillGNNの長期的および短期的MSS予測における優位性を示した。
• 参考スコア（独自算出の注目度）: 10.473579316054186
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-variate time series (MTS) forecasting is crucial for various applications. Existing methods have shown promising results owing to their strong ability to capture intra- and inter-variate dependencies. However, these methods often overlook lead-lag dependencies at multiple grouping scales, failing to capture hierarchical lead-lag effects in complex systems. To this end, we propose MillGNN, a novel \underline{g}raph \underline{n}eural \underline{n}etwork-based method that learns \underline{m}ult\underline{i}ple grouping scale \underline{l}ead-\underline{l}ag dependencies for MTS forecasting, which can comprehensively capture lead-lag effects considering variate-wise and group-wise dynamics and decays. Specifically, MillGNN introduces two key innovations: (1) a scale-specific lead-lag graph learning module that integrates cross-correlation coefficients and dynamic decaying features derived from real-time inputs and time lags to learn lead-lag dependencies for each scale, which can model evolving lead-lag dependencies with statistical interpretability and data-driven flexibility; (2) a hierarchical lead-lag message passing module that passes lead-lag messages at multiple grouping scales in a structured way to simultaneously propagate intra- and inter-scale lead-lag effects, which can capture multi-scale lead-lag effects with a balance of comprehensiveness and efficiency. Experimental results on 11 datasets demonstrate the superiority of MillGNN for long-term and short-term MTS forecasting, compared with 16 state-of-the-art methods.
• Abstract（参考訳）: 多変量時系列(MTS)予測は様々な用途に不可欠である。 既存の手法は、変数内および変数間依存関係をキャプチャする強力な能力のため、有望な結果を示している。 しかし、これらの手法は、複雑なシステムにおける階層的なリードラグ効果を捉えることができず、複数のグループスケールでリードラグ依存性を見落としてしまうことが多い。 この目的のために,MillGNN は,MillGNN を新たに提案する。これは,MillGNN を用いて,変量的および群次的ダイナミクスと崩壊を考慮したリードラグ効果を包括的に捉えることができる。 特に、MillGNNは、(1)リアルタイム入力と時間ラグから得られる相互相関係数と動的減衰特性を統合して、各スケールのリードラグ依存性を学習し、統計的解釈可能性とデータ駆動の柔軟性で進化するリードラグ依存性をモデル化するスケール固有のリードラググラフ学習モジュール、(2)複数のグループスケールでリードラグメッセージを渡す階層的なリードラグメッセージパッシングモジュール、そして、包括性と効率のバランスでマルチスケールのリードラグ効果を同時に伝搬する構造的な方法で、リードラグメッセージパッシングモジュールを紹介する。 11のデータセットに対する実験結果から,MillGNNの長期的および短期的MSS予測における優位性を16の最先端手法と比較した。

関連論文リスト

• SOFTS: Efficient Multivariate Time Series Forecasting with Series-Core Fusion [59.96233305733875]
  時系列予測は、金融、交通管理、エネルギー、医療など様々な分野で重要な役割を果たしている。 いくつかの方法は、注意やミキサーのようなメカニズムを利用して、チャネル相関をキャプチャすることでこの問題に対処する。 本稿では,効率的なモデルであるSOFTS(Series-cOre Fused Time Series forecaster)を提案する。
  論文  参考訳（メタデータ） (2024-04-22T14:06:35Z)
• Revitalizing Multivariate Time Series Forecasting: Learnable Decomposition with Inter-Series Dependencies and Intra-Series Variations Modeling [14.170879566023098]
  動的傾向情報をより合理的に捉えるための学習可能な分解戦略を導入する。 また、シリーズ間の依存関係とシリーズ間のバリエーションを同時にキャプチャする2つのアテンションモジュールを提案する。
  論文  参考訳（メタデータ） (2024-02-20T03:45:59Z)
• FCDNet: Frequency-Guided Complementary Dependency Modeling for Multivariate Time-Series Forecasting [9.083469629116784]
  時系列予測のための簡潔で効果的なフレームワークであるFCDNetを提案する。 多レベル周波数パターンから長期的および短期的依存情報を適応的に抽出する。 実験の結果、FCDNetは強いベースラインをはるかに超えることがわかった。
  論文  参考訳（メタデータ） (2023-12-27T07:29:52Z)
• Hierarchical Joint Graph Learning and Multivariate Time Series Forecasting [0.16492989697868887]
  本稿では,相互依存を示すエッジを持つグラフにおいて,多変量信号をノードとして表現する方法を提案する。 我々はグラフニューラルネットワーク(GNN)とアテンションメカニズムを活用し、時系列データ内の基礎となる関係を効率的に学習する。 提案モデルの有効性を,長期予測タスク用に設計された実世界のベンチマークデータセットで評価した。
  論文  参考訳（メタデータ） (2023-11-21T14:24:21Z)
• 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)
• 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)
• 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。