A Generic Approach to Integrating Time into Spatial-Temporal Forecasting via Conditional Neural Fields

要約

自律走行ネットワークなどの自律システムの重要な能力である「自己認識」は、システムが将来の環境状態や、時間の経過に伴うシステム動作への影響を推論できるようにするために、高効率な時系列予測アルゴリズムに依存している。近年、時系列に存在する複雑な時間的・空間的依存性を利用するために、畳み込みニューラルネットワークやグラフニューラルネットワークを用いた予測アルゴリズムが多数開発されています。これらのソリューションは統計的アプローチと比較して大きな利点を示しているが、時系列の時間成分を介した季節性パターンを表すグローバル情報を効果的に予測モデルに取り込み、その精度を向上させることが一つの未解決問題である。本論文では、時間成分を予測モデルに組み込むための一般的なアプローチを紹介する。主なアイデアは、時間成分から抽出された補助的な特徴を表現するために条件付きニューラルフィールドを採用し、グローバル情報を得ることである。この情報は、層状のゲート融合モジュールを通して自己回帰ニューラルネットワークから抽出されたローカル情報と効果的に結合される。道路交通と携帯電話ネットワークのトラフィックデータセットを用いた広範な実験により、提案アプローチの有効性を証明する。

要約(オリジナル)

Self-awareness is the key capability of autonomous systems, e.g., autonomous driving network, which relies on highly efficient time series forecasting algorithm to enable the system to reason about the future state of the environment, as well as its effect on the system behavior as time progresses. Recently, a large number of forecasting algorithms using either convolutional neural networks or graph neural networks have been developed to exploit the complex temporal and spatial dependencies present in the time series. While these solutions have shown significant advantages over statistical approaches, one open question is to effectively incorporate the global information which represents the seasonality patterns via the time component of time series into the forecasting models to improve their accuracy. This paper presents a general approach to integrating the time component into forecasting models. The main idea is to employ conditional neural fields to represent the auxiliary features extracted from the time component to obtain the global information, which will be effectively combined with the local information extracted from autoregressive neural networks through a layer-wise gated fusion module. Extensive experiments on road traffic and cellular network traffic datasets prove the effectiveness of the proposed approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL