面向多元时间序列预测的边变 Fourier 图网络
机器学习
2022-10-11 v2 人工智能
摘要
多元时间序列（MTS）分析与预测的关键问题在于揭示驱动变量协同运动的潜在耦合关系。近期大量成功的 MTS 方法基于图神经网络（GNNs）构建，因其具备关系建模的本质能力。然而，以往工作常使用时间序列变量的静态图结构来建模 MTS，未能捕捉其随时间不断变化的关联。为此，我们自适应地学习一个全连接的超图，连接任意两个时间戳上的任意两个变量，并通过高效的图卷积网络捕捉高分辨率的变量依赖关系。具体而言，我们构建了配备 Fourier 图移位算子（FGSO）的边变 Fourier 图网络（EV-FGN），该算子在频域高效地执行图卷积。据此，根据卷积定理导出了用于 MTS 分析与预测的高效无尺度参数学习方案。大量实验表明，EV-FGN 在七个真实世界 MTS 数据集上优于最先进的方法。
引用
@article{arxiv.2210.03093,
title = {Edge-Varying Fourier Graph Networks for Multivariate Time Series Forecasting},
author = {Kun Yi and Qi Zhang and Liang Hu and Hui He and Ning An and LongBing Cao and ZhenDong Niu},
journal= {arXiv preprint arXiv:2210.03093},
year = {2022}
}