FourierGNN：从纯图视角重新思考多元时间序列预测
机器学习
2023-11-13 v1 人工智能
摘要
多元时间序列（MTS）预测在众多行业中具有重要性。当前最先进的基于图神经网络（GNN）的预测方法通常需要图网络（如 GCN）与时序网络（如 LSTM）分别捕捉序列间（空间）动态与序列内（时间）依赖。然而，两种网络间不确定的兼容性给手工模型设计带来了额外负担。此外，分离的空间与时间建模天然违背了真实世界中统一的时空相互依赖，极大阻碍了预测性能。为克服这些问题，我们探索了直接应用图网络这一有趣方向，并从纯图视角重新思考 MTS 预测。我们首先定义了一种新颖的数据结构——超变量图，其将每个序列值（无论变量或时间戳）视为图节点，并将滑动窗口表示为时空全连接图。该视角统一考虑时空动态，并将经典 MTS 预测重构为对超变量图的预测。随后，我们提出一种新颖架构 Fourier Graph Neural Network（FourierGNN），通过堆叠我们提出的 Fourier Graph Operator（FGO）在傅里叶空间执行矩阵乘法。FourierGNN 具备充足表达能力并实现更低复杂度，可有效且高效地完成预测。此外，我们的理论分析揭示了 FGO 与时域图卷积的等价性，进一步验证了 FourierGNN 的有效性。在七个数据集上的大量实验表明，与 SOTA 方法相比，我们以更高效率与更少参数取得了更优性能。
引用
@article{arxiv.2311.06190,
title = {FourierGNN: Rethinking Multivariate Time Series Forecasting from a Pure Graph Perspective},
author = {Kun Yi and Qi Zhang and Wei Fan and Hui He and Liang Hu and Pengyang Wang and Ning An and Longbing Cao and Zhendong Niu},
journal= {arXiv preprint arXiv:2311.06190},
year = {2023}
}
备注
arXiv admin note: substantial text overlap with arXiv:2210.03093