LightCTS: A Lightweight Framework for Correlated Time Series Forecasting

要約

相関時系列 (CTS) 予測は、トラフィック管理やサーバー負荷制御など、多くの実用的なアプリケーションで重要な役割を果たします。
CTS 予測の精度を向上させるために、多くのディープ ラーニング モデルが提案されています。
ただし、モデルがますます複雑になり、計算量が増える一方で、精度を向上させるのに苦労しています。
別の方向性を追求するこの調査では、代わりに、リソースに制約のあるデバイスに展開できる一方で精度を維持する、はるかに効率的で軽量なモデルを実現することを目的としています。
この目標を達成するために、一般的な CTS 予測モデルを特徴付け、軽量 CTS 予測の方向性を示す 2 つの観察結果を導き出します。
これに基づいて、計算コストがはるかに高い代替スタッキングの代わりに、時間的および空間的演算子の単純なスタッキングを採用する LightCTS フレームワークを提案します。
さらに、LightCTS は、L-TCN および GL-Former と呼ばれる軽量の時間的および空間的演算子モジュールを備えており、特徴抽出機能を損なうことなく計算効率を向上させます。
LightCTS には、冗長な時間的特徴を削減し、その後の計算を高速化するためのラスト ショット圧縮スキームも含まれています。
単一ステップおよび複数ステップの予測ベンチマーク データセットを使用した実験では、LightCTS が計算とストレージのオーバーヘッドを大幅に削減しながら、ほぼ最先端の精度を実現できることが示されています。

要約(オリジナル)

Correlated time series (CTS) forecasting plays an essential role in many practical applications, such as traffic management and server load control. Many deep learning models have been proposed to improve the accuracy of CTS forecasting. However, while models have become increasingly complex and computationally intensive, they struggle to improve accuracy. Pursuing a different direction, this study aims instead to enable much more efficient, lightweight models that preserve accuracy while being able to be deployed on resource-constrained devices. To achieve this goal, we characterize popular CTS forecasting models and yield two observations that indicate directions for lightweight CTS forecasting. On this basis, we propose the LightCTS framework that adopts plain stacking of temporal and spatial operators instead of alternate stacking that is much more computationally expensive. Moreover, LightCTS features light temporal and spatial operator modules, called L-TCN and GL-Former, that offer improved computational efficiency without compromising their feature extraction capabilities. LightCTS also encompasses a last-shot compression scheme to reduce redundant temporal features and speed up subsequent computations. Experiments with single-step and multi-step forecasting benchmark datasets show that LightCTS is capable of nearly state-of-the-art accuracy at much reduced computational and storage overheads.

arxiv情報

著者 Zhichen Lai,Dalin Zhang,Huan Li,Christian S. Jensen,Hua Lu,Yan Zhao
発行日 2023-02-27 16:21:51+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.DB, cs.LG パーマリンク