用于多元时间序列预测的光谱时序图神经网络
机器学习
2021-03-16 v1 人工智能
摘要
多元时间序列预测在许多现实应用中起着关键作用。这是一个具有挑战性的问题，因为需要同时考虑序列内时间相关性和序列间相关性。近来已有多项工作试图捕捉这两种相关性，但大多数（即便不是全部）仅在时域中捕捉时间相关性，并求助于预定义先验作为序列间关系。本文中，我们提出光谱时序图神经网络（StemGNN）以进一步提升多元时间序列预测的准确性。StemGNN 在光谱域中联合捕捉序列间相关性和时间依赖性。它结合了建模序列间相关性的图傅里叶变换（GFT）与建模时间依赖性的离散傅里叶变换（DFT），构成一个端到端框架。经过 GFT 和 DFT 后，光谱表示具有清晰模式，并可由卷积与序列学习模块有效预测。此外，StemGNN 无需使用预定义先验，从数据中自动学习序列间相关性。我们在十个真实世界数据集上进行了大量实验以证明 StemGNN 的有效性。代码见 https://github.com/microsoft/StemGNN/
引用
@article{arxiv.2103.07719,
title = {Spectral Temporal Graph Neural Network for Multivariate Time-series Forecasting},
author = {Defu Cao and Yujing Wang and Juanyong Duan and Ce Zhang and Xia Zhu and Conguri Huang and Yunhai Tong and Bixiong Xu and Jing Bai and Jie Tong and Qi Zhang},
journal= {arXiv preprint arXiv:2103.07719},
year = {2021}
}
备注
Accepted by NeurIPS 2020. 20 pages, 7 figures