GEANN：用于多步时间序列预测的可扩展图增强方法
机器学习
2023-07-10 v1 人工智能
摘要
编码器-解码器深度神经网络已被越来越多地研究用于多步时间序列预测，尤其是在现实世界应用中。然而，为了准确预测，这些复杂模型通常依赖于具有大量历史的大量时间序列样本。一个快速增长的关注话题是对缺乏足够历史数据的时间序列进行预测——通常被称为“冷启动”问题。在本文中，我们引入一种新颖而简单的方法来解决该问题，利用图神经网络（GNNs）作为数据增强以增强此类预测器所使用的编码器。这些基于 GNN 的特征能够捕捉复杂的序列间关系，且其生成过程可与预测任务端到端联合优化。我们展示了我们的架构可以使用数据驱动或领域知识定义的图，并可扩展以融合来自多个具有数百万节点的超大图的信息。在我们对一家大型电商零售商需求预测的目标应用中，我们在包含 10 万产品的小数据集和超过 200 万产品的大数据集上均证明，我们的方法相较有竞争力的基线模型提升了整体性能。更重要的是，我们表明其为“冷启动”产品（如新上架或近期缺货的产品）带来了显著更多的增益。
引用
@article{arxiv.2307.03595,
title = {GEANN: Scalable Graph Augmentations for Multi-Horizon Time Series Forecasting},
author = {Sitan Yang and Malcolm Wolff and Shankar Ramasubramanian and Vincent Quenneville-Belair and Ronak Metha and Michael W. Mahoney},
journal= {arXiv preprint arXiv:2307.03595},
year = {2023}
}