MTHetGNN：一种用于多元时间序列预测的异构图嵌入框架
机器学习
2021-12-16 v4 机器学习
摘要
多元时间序列预测通过分析历史时间序列来预测未来趋势，能有效辅助决策。多元时间序列（MTS）中变量间的复杂关系，包括静态、动态、可预测与潜在关系，使得挖掘 MTS 更多特征成为可能。对复杂关系建模不仅对于刻画潜在依赖与时序依赖至关重要，也给 MTS 预测任务带来了巨大挑战。然而，现有方法主要侧重于对 MTS 变量间某些特定关系建模。本文提出一种新颖的端到端深度学习模型，称为基于异构图神经网络的多元时间序列预测（MTHetGNN）。为刻画变量间复杂关系，MTHetGNN 设计了关系嵌入模块，其中每个变量被视为图节点，每类边代表一种特定的静态或动态关系。同时，引入时序嵌入模块用于提取时间序列特征，其中包含了具有不同感知尺度的卷积神经网络（CNN）滤波器。最后，采用异构图嵌入模块处理由上述两模块生成的复杂结构信息。我们使用来自真实世界的三个基准数据集评估所提出的 MTHetGNN。综合实验表明，MTHetGNN 在 MTS 预测任务中取得了最先进的（SOTA）结果。
引用
@article{arxiv.2008.08617,
title = {MTHetGNN: A Heterogeneous Graph Embedding Framework for Multivariate Time Series Forecasting},
author = {Yueyang Wang and Ziheng Duan and Yida Huang and Haoyan Xu and Jie Feng and Anni Ren},
journal= {arXiv preprint arXiv:2008.08617},
year = {2021}
}