論文の概要: GCGNet: Graph-Consistent Generative Network for Time Series Forecasting with Exogenous Variables

• arxiv url: http://arxiv.org/abs/2603.08032v1
• Date: Mon, 09 Mar 2026 07:11:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:15.621456
• Title: GCGNet: Graph-Consistent Generative Network for Time Series Forecasting with Exogenous Variables
• Title（参考訳）: GCGNet: 外部変数による時系列予測のためのグラフ一貫性生成ネットワーク
• Authors: Zhengyu Li, Xiangfei Qiu, Yuhan Zhu, Xingjian Wu, Jilin Hu, Chenjuan Guo, Bin Yang,
• Abstract要約: GCGNetは、内在変数を用いた時系列予測のためのグラフ一貫性生成ネットワークである。 グラフ構造アリグナーは、生成された相関と真の相関の一貫性を評価することによってそれをガイドする。 劣化を防止し、精度を向上させるため、予測を洗練するためにグラフ精錬器が提案されている。
• 参考スコア（独自算出の注目度）: 22.99006519647699
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Exogenous variables offer valuable supplementary information for predicting future endogenous variables. Forecasting with exogenous variables needs to consider both past-to-future dependencies (i.e., temporal correlations) and the influence of exogenous variables on endogenous variables (i.e., channel correlations). This is pivotal when future exogenous variables are available, because they may directly affect the future endogenous variables. Many methods have been proposed for time series forecasting with exogenous variables, focusing on modeling temporal and channel correlations. However, most of them use a two-step strategy, modeling temporal and channel correlations separately, which limits their ability to capture joint correlations across time and channels. Furthermore, in real-world scenarios, time series are frequently affected by various forms of noises, underscoring the critical importance of robustness in such correlations modeling. To address these limitations, we propose GCGNet, a Graph-Consistent Generative Network for time series forecasting with exogenous variables. Specifically, GCGNet first employs a Variational Generator to produce coarse predictions. A Graph Structure Aligner then further guides it by evaluating the consistency between the generated and true correlations, where the correlations are represented as graphs, and are robust to noises. Finally, a Graph Refiner is proposed to refine the predictions to prevent degeneration and improve accuracy. Extensive experiments on 12 real-world datasets demonstrate that GCGNet outperforms state-of-the-art baselines.
• Abstract（参考訳）: 外因性変数は、将来の内因性変数を予測する貴重な補足情報を提供する。 外因性変数による予測は、過去から未来への依存関係(時間的相関)と内因性変数(チャネル相関)に対する外因性変数の影響の両方を考慮する必要がある。 これは、将来の外因性変数が利用可能である場合、それらが将来の内因性変数に直接影響する可能性があるためである。 時間的およびチャネル的相関のモデル化に焦点をあてた,外因性変数を用いた時系列予測のための多くの手法が提案されている。 しかし、それらの多くは2段階の戦略を用いて、時間とチャネルの連関関係をモデル化し、時間とチャネルの連関関係を捉える能力を制限する。 さらに、実世界のシナリオでは、時系列は様々な種類のノイズに影響され、そのような相関モデルにおけるロバスト性の重要性が強調される。 これらの制約に対処するため,外因性変数を用いた時系列予測のためのグラフ一貫性生成ネットワークGCGNetを提案する。 具体的には、GCGNetはまず、粗い予測を生成するために変動発生器を使用する。 グラフ構造アリグナーは、生成された相関関係と真の相関関係の一貫性を評価し、相関関係をグラフとして表現し、ノイズに対して堅牢である。 最後に, 劣化防止と精度向上のために, 予測を改良するグラフ精錬器を提案する。 12の実世界のデータセットに対する大規模な実験は、GCGNetが最先端のベースラインを上回っていることを示している。

関連論文リスト

• WaveGNN: Modeling Irregular Multivariate Time Series for Accurate Predictions [3.489870763747715]
  実世界の時系列は、しばしば不整合タイムスタンプ、欠落したエントリ、可変サンプリングレートなどの不規則性を示す。 既存のアプローチは、しばしばバイアスを生じさせる計算に頼っている。 本稿では,不規則にサンプリングされた時系列データを埋め込んで正確な予測を行う新しいフレームワークWaveGNNを提案する。
  論文  参考訳（メタデータ） (2024-12-14T00:03:44Z)
• Transformers with Sparse Attention for Granger Causality [0.8249694498830561]
  トランスフォーマーのような深層学習に基づく手法は、単なる相関を超えた時間的ダイナミクスや因果関係を捉えるのにますます使われている。 近年の研究では、変圧器の自己注意重みが因果関係の指標として有用であることが示唆されている。 本稿では,時系列データの変数間の因果関係と遅延依存性の差異を関連付けるために,自己アテンションモジュールの新たな修正を提案する。
  論文  参考訳（メタデータ） (2024-11-20T12:34:06Z)
• 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因果変換器Timer-XLを提案する。 大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• TimeXer: Empowering Transformers for Time Series Forecasting with Exogenous Variables [75.83318701911274]
  TimeXerは外部情報を取り込み、内因性変数の予測を強化する。 TimeXerは、12の現実世界の予測ベンチマークで一貫した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） (2024-02-29T11:54:35Z)
• TransformerG2G: Adaptive time-stepping for learning temporal graph embeddings using transformers [2.2120851074630177]
  本研究では,不確実な定量化を伴うグラフ埋め込みモデルであるTransformerG2Gを開発し,時間的グラフの時間的ダイナミクスを学習する。 提案したTransformerG2Gモデルが従来のマルチステップ法より優れていることを示す。 注意重みを調べることで、時間的依存関係を解明し、影響力のある要素を特定し、グラフ構造内の複雑な相互作用についての洞察を得ることができる。
  論文  参考訳（メタデータ） (2023-07-05T18:34:22Z)
• Long-Range Transformers for Dynamic Spatiotemporal Forecasting [16.37467119526305]
  グラフニューラルネットワークに基づく手法は、変数関係を明示的にモデル化する。 ロングランジ変換器は、この拡張シーケンスに沿って時間、値、情報の相互作用を一緒に学習することができる。
  論文  参考訳（メタデータ） (2021-09-24T22:11:46Z)
• Spectral Temporal Graph Neural Network for Multivariate Time-series Forecasting [19.50001395081601]
  StemGNNはシリーズ間の相関と時間的依存関係をキャプチャする。 畳み込みと逐次学習モジュールによって効果的に予測できる。 StemGNNの有効性を示すために、10の実世界のデータセットに関する広範な実験を実施します。
  論文  参考訳（メタデータ） (2021-03-13T13:44:20Z)
• 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。