面向多元时间序列预测的多尺度自适应图神经网络
机器学习
2023-04-11 v2
摘要
多元时间序列(MTS)预测在智能应用的自动化与优化中起着重要作用。这是一项具有挑战性的任务,因为我们需要考虑复杂的变量内依赖与变量间依赖。现有工作仅借助单一的变量间依赖来学习时间模式。然而,许多真实世界 MTS 中存在多尺度时间模式。单一的变量间依赖使得模型倾向于学习一种突出且共享的时间模式。本文中,我们提出一种多尺度自适应图神经网络(MAGNN)以解决上述问题。MAGNN 利用多尺度金字塔网络在不同时间尺度上保留潜在的时间依赖。由于变量间依赖在不同时间尺度下可能不同,我们设计了一个自适应图学习模块,在无预定义先验的情况下推断尺度特定的变量间依赖。给定多尺度特征表示与尺度特定的变量间依赖,我们引入一个多尺度时间图神经网络来联合建模变量内依赖与变量间依赖。此后,我们开发了一个尺度级融合模块以有效促进不同时间尺度间的协作,并自动捕获所贡献时间模式的重要性。在四个真实世界数据集上的实验表明,MAGNN 在各种设定下均优于最先进的方法。
引用
@article{arxiv.2201.04828,
title = {Multi-Scale Adaptive Graph Neural Network for Multivariate Time Series Forecasting},
author = {Ling Chen and Donghui Chen and Zongjiang Shang and Binqing Wu and Cen Zheng and Bo Wen and Wei Zhang},
journal= {arXiv preprint arXiv:2201.04828},
year = {2023}
}
备注
Accepted by TKDE