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

要約

自己認識は、自動運転ネットワークなどの自律システムの重要な機能であり、高効率の時系列予測アルゴリズムに依存して、システムが環境の将来の状態やシステム動作への影響について推論できるようになります。
時間が進みます。
最近、時系列に存在する複雑な時間的および空間的依存関係を利用するために、畳み込みニューラル ネットワークまたはグラフ ニューラル ネットワークを使用した多数の予測アルゴリズムが開発されました。
これらのソリューションは統計的アプローチに比べて大きな利点を示していますが、未解決の疑問の 1 つは、時系列の時間要素を介して季節性パターンを表すグローバルな情報を予測モデルに効果的に組み込み、精度を向上させることです。
このペーパーでは、時間コンポーネントを予測モデルに統合するための一般的なアプローチを示します。
主なアイデアは、条件付きニューラル フィールドを使用して、時間コンポーネントから抽出された補助特徴を表現してグローバル情報を取得することです。この情報は、レイヤーごとのゲート融合モジュールを通じ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ます。
道路交通および携帯電話ネットワーク交通データセットに関する広範な実験により、提案されたアプローチの有効性が証明されています。

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, Google