ForecastGrapher: 用图神经网络重新定义多变量时间序列预测
机器学习
2024-05-29 v1
摘要
有效学习多变量时间序列预测中序列间相关性的挑战仍然是一个重大且未解决的问题。传统深度学习模型主要依赖Transformer范式来建模长序列，但往往无法将多个时间序列的信息整合到一个连贯且普遍适用的模型中。为弥补这一差距，本文提出了ForecastGrapher，该框架将多变量时间序列预测重新概念化为一个节点回归任务，为捕捉复杂的时间动态和序列间相关性提供了独特途径。我们的方法基于三个关键步骤：首先，生成自定义节点嵌入以反映每个序列内的时间变化；其次，构建自适应邻接矩阵以编码序列间相关性；第三，通过多样化节点特征分布来增强图神经网络（GNN）的表达能力。为增强这种表达能力，我们引入了组特征卷积图神经网络（GFC-GNN）。该模型使用一个可学习的缩放器将节点特征分割成多个组，并在聚合阶段之前对每组应用不同核长度的一维卷积。因此，GFC-GNN方法以完全端到端的方式丰富了节点特征分布的多样性。通过大量实验和消融研究，我们表明ForecastGrapher在多变量时间序列预测领域超越了强基线和领先的已发表技术。
引用
@article{arxiv.2405.18036,
title = {ForecastGrapher: Redefining Multivariate Time Series Forecasting with Graph Neural Networks},
author = {Wanlin Cai and Kun Wang and Hao Wu and Xiaoxu Chen and Yuankai Wu},
journal= {arXiv preprint arXiv:2405.18036},
year = {2024}
}