Radflow:一种用于时间序列网络的循环、聚合与可分解模型
社会与信息网络
2021-02-16 v1 机器学习
摘要
我们提出一种用于相互影响的时间序列网络的新模型。时间序列之间的图结构见于多种领域,例如受超链接影响的网络流量、受推荐影响的产品销售,或受道路网络和天气影响的城市交通量。图建模与时间序列预测方面近期分别取得了进展,但针对序列网络的一种兼具表达力与可扩展性的方法尚不存在。我们引入 Radflow,一种体现三个关键思想的新颖模型:利用循环神经网络获得依赖于时间的节点嵌入,通过多头注意力聚合来自邻居节点的影响流,以及对时间序列的多层分解。Radflow 自然考虑了节点和边随时间变化的动态网络,并可用于预测与数据插补任务。在从数百到数十万节点不等的真实世界数据集上,我们观察到 Radflow 变体在广泛设置中均为性能最佳的模型。Radflow 中的循环组件也优于 SOTA 时间序列模型 N-BEATS。我们展示了 Radflow 能够学习不同的趋势与季节模式,对缺失节点和边具有鲁棒性,且网络邻居间相关的时序模式反映了影响强度。我们整理了 WikiTraffic,最大的动态时间序列网络,具有 366K 节点和跨越五年的 22M 时间依赖链接。该数据集为此领域模型开发提供了开放基准,其应用包括优化网络资源。更广泛地,Radflow 有潜力改善如股票市场等相关的时序网络中的预测,并插补自然现象地理分散网络中的缺失测量。
引用
@article{arxiv.2102.07289,
title = {Radflow: A Recurrent, Aggregated, and Decomposable Model for Networks of Time Series},
author = {Alasdair Tran and Alexander Mathews and Cheng Soon Ong and Lexing Xie},
journal= {arXiv preprint arXiv:2102.07289},
year = {2021}
}
备注
Published in The Web Conference 2021. Code is available at https://github.com/alasdairtran/radflow