面向多元时间序列预测的平衡图结构学习
机器学习
2022-05-25 v2
摘要
多元时间序列的准确预测是金融、交通和计算机科学领域广泛研究的课题。充分挖掘多元时间序列中变量间的相关性和因果关系，在提升时间序列模型性能方面展现出显著效果。最近，一些模型通过端到端的图结构学习来探索变量间的依赖关系，无需预定义图。然而，现有模型未能在效率与灵活性之间取得平衡，并且在图结构学习算法的设计中缺乏领域知识的指导。本文通过提出用于预测的平衡图结构学习（BGSLF）——一种融合图结构学习与预测的新型深度学习模型，缓解了上述问题。技术上，BGSLF 利用空间信息进行卷积操作，并使用扩散卷积循环网络提取时间动态。所提出的框架通过引入多图生成网络（MGN）和图选择模块，平衡了效率与灵活性之间的权衡。此外，设计了一种名为平滑稀疏单元（SSU）的方法来稀疏化学习到的图结构，这符合现实世界中稀疏的空间相关性。在四个真实世界数据集上的大量实验表明，我们的模型以极少的可训练参数实现了最先进的性能。代码将公开发布。
引用
@article{arxiv.2201.09686,
title = {Balanced Graph Structure Learning for Multivariate Time Series Forecasting},
author = {Weijun Chen and Yanze Wang and Chengshuo Du and Zhenglong Jia and Feng Liu and Ran Chen},
journal= {arXiv preprint arXiv:2201.09686},
year = {2022}
}
备注
16 pages, in submission to ECML-PKDD2022