論文の概要: A lightweight Spatial-Temporal Graph Neural Network for Long-term Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2512.17453v1
• Date: Fri, 19 Dec 2025 11:12:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-22 19:25:54.352873
• Title: A lightweight Spatial-Temporal Graph Neural Network for Long-term Time Series Forecasting
• Title（参考訳）: 時系列予測のための軽量空間時間グラフニューラルネットワーク
• Authors: Henok Tenaw Moges, Deshendran Moodley,
• Abstract要約: Lite-STGNNは、長期多変量予測のための軽量な時空間グラフニューラルネットワークである。 分解に基づく時間モデリングと学習可能なスパースグラフ構造を統合する。 Lite-STGNNは、最大720ステップまでの地平線のための4つのベンチマークデータセットで最先端の精度を達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We propose Lite-STGNN, a lightweight spatial-temporal graph neural network for long-term multivariate forecasting that integrates decomposition-based temporal modeling with learnable sparse graph structure. The temporal module applies trend-seasonal decomposition, while the spatial module performs message passing with low-rank Top-$K$ adjacency learning and conservative horizon-wise gating, enabling spatial corrections that enhance a strong linear baseline. Lite-STGNN achieves state-of-the-art accuracy on four benchmark datasets for horizons up to 720 steps, while being parameter-efficient and substantially faster to train than transformer-based methods. Ablation studies show that the spatial module yields 4.6% improvement over the temporal baseline, Top-$K$ enhances locality by 3.3%, and learned adjacency matrices reveal domain-specific interaction dynamics. Lite-STGNN thus offers a compact, interpretable, and efficient framework for long-term multivariate time series forecasting.
• Abstract（参考訳）: 本稿では,分解に基づく時間モデルと学習可能なスパースグラフ構造を統合した,長期多変量予測のための軽量時空間グラフニューラルネットワークLite-STGNNを提案する。 時空間モジュールはトレンドシーズン分解を施し、空間モジュールは低ランクのTop-K$隣接学習と保守的な水平方向ゲーティングでメッセージパッシングを行い、強い線形ベースラインを強化する空間補正を可能にする。 Lite-STGNNは、最大720ステップまでの地平線のための4つのベンチマークデータセットに対して、最先端の精度を達成すると同時に、パラメータ効率が高く、トランスフォーマーベースの手法よりもトレーニングが大幅に高速である。 アブレーション研究では、空間モジュールは時間ベースラインよりも4.6%向上し、Top-$K$は局所性を3.3%向上させ、学習された隣接行列はドメイン固有の相互作用のダイナミクスを示す。 Lite-STGNNは、長期多変量時系列予測のためのコンパクトで解釈可能で効率的なフレームワークを提供する。

関連論文リスト

• SpikeSTAG: Spatial-Temporal Forecasting via GNN-SNN Collaboration [16.754715227269525]
  スパイキングニューラルネットワーク(SNN)は、時間データの複雑さを捉えるためのユニークなアプローチを提供する。 本稿では,グラフ構造学習とスパイクに基づく時間的処理をシームレスに統合する,新しいSNNアーキテクチャを提案する。 実験の結果、我々のモデルはすべてのデータセットで最先端のSNNベースのiSpikformerを上回ることがわかった。
  論文  参考訳（メタデータ） (2025-08-04T05:17:52Z)
• FourCastNet 3: A geometric approach to probabilistic machine-learning weather forecasting at scale [91.84761739154366]
  FourCastNet 3は、確率的アンサンブル予測にスケーラブルで幾何学的な機械学習(ML)アプローチを実装することで、グローバルな気象モデリングを推進している。 FourCastNet 3は、従来のアンサンブルモデルを上回る予測精度を提供し、最良の拡散ベースのメソッドに匹敵する。 その計算効率、中距離確率的スキル、スペクトルの忠実度、およびサブシーズンタイムスケールでのロールアウト安定性は、大規模なアンサンブル予測を通じて気象予知と早期警報システムを改善するための強力な候補となる。
  論文  参考訳（メタデータ） (2025-07-16T11:22:18Z)
• Leveraging Multivariate Long-Term History Representation for Time Series Forecasting [6.661358934189792]
  MTS予測のためのLMHR(Long-term Multivariate Representation)というフレームワークを提案する。 LMHRは、長期の歴史をセグメントレベルの文脈表現にエンコードし、ポイントレベルのノイズを低減する。 急速に変化するパターンのトップ10%で予測精度を9.8%向上させる。
  論文  参考訳（メタデータ） (2025-05-20T03:46:36Z)
• DSLO: Deep Sequence LiDAR Odometry Based on Inconsistent Spatio-temporal Propagation [66.8732965660931]
  本稿では,LiDAR odometry DSLO の非一貫性時間伝搬に基づく3次元点列学習モデルを提案する。 ピラミッド構造で、シーケンシャルなポーズモジュール、階層的なポーズリファインメントモジュール、時間的特徴伝搬モジュールで構成されている。
  論文  参考訳（メタデータ） (2024-09-01T15:12:48Z)
• Rethinking Spatio-Temporal Transformer for Traffic Prediction:Multi-level Multi-view Augmented Learning Framework [4.773547922851949]
  トラフィックは、非常に複雑なセマンティックな相関を含む、困難な時間的予測問題である。 本稿では,交通予測のためのマルチレベル多視点時間変換器(LVST)を提案する。
  論文  参考訳（メタデータ） (2024-06-17T07:36:57Z)
• Mending of Spatio-Temporal Dependencies in Block Adjacency Matrix [3.529869282529924]
  本稿では,時間的依存を考慮に入れた新たなエンドツーエンド学習アーキテクチャを提案する。 提案手法は,SurgVisDomやC2D2などのベンチマークデータセット上での優れた性能を示す。
  論文  参考訳（メタデータ） (2023-10-04T06:42:33Z)
• 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)
• Space-Time Graph Neural Networks [104.55175325870195]
  本研究では、時空間グラフニューラルネットワーク(ST-GNN)を導入し、時間変動ネットワークデータの時空間トポロジを共同処理する。 解析の結果,システムのネットワークトポロジと時間進化の変動はST-GNNの性能に大きく影響しないことがわかった。
  論文  参考訳（メタデータ） (2021-10-06T16:08:44Z)
• Multiscale Spatio-Temporal Graph Neural Networks for 3D Skeleton-Based Motion Prediction [92.16318571149553]
  本稿では,次世代の3次元骨格型人間のポーズを予測するため,マルチスケール・テンポラルグラフニューラルネットワーク(MST-GNN)を提案する。 MST-GNNは、短期および長期の動作予測において最先端の手法より優れている。
  論文  参考訳（メタデータ） (2021-08-25T14:05:37Z)
• 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。