GEANN: Scalable Graph Augmentations for Multi-Horizon Time Series Forecasting

要約

エンコーダ/デコーダ ディープ ニューラル ネットワークは、特に現実世界のアプリケーションにおいて、マルチホライズン時系列予測のために研究が増えています。
ただし、正確に予測するために、これらの洗練されたモデルは通常、実質的な履歴を持つ多数の時系列の例に依存します。
急速に関心が高まっているトピックは、十分な履歴データが不足している時系列の予測です。これは、しばしば「コールド スタート」問題と呼ばれます。
この論文では、このような予測者が使用するエンコーダを強化するためのデータ拡張としてグラフ ニューラル ネットワーク (GNN) を活用することで、この問題に対処する新規かつ簡単な方法を紹介します。
これらの GNN ベースの機能は、複雑な系列間の関係をキャプチャでき、その生成プロセスは予測タスクとエンドツーエンドで最適化できます。
私たちのアーキテクチャは、データ駆動型グラフまたはドメイン知識定義グラフのいずれかを使用でき、数百万のノードを持つ複数の非常に大きなグラフからの情報を組み込むように拡張できることを示します。
大規模な電子商取引小売業者の需要予測という私たちのターゲット アプリケーションでは、10 万個の製品からなる小規模なデータセットと 200 万個を超える製品からなる大規模なデータセットの両方で、私たちの方法が競合するベースライン モデルよりも全体的なパフォーマンスを向上させることを実証しました。
さらに重要なことは、新しく発売された製品や最近在庫切れになった製品などの「コールドスタート」製品に大幅に大きな利益をもたらすことを示しています。

要約(オリジナル)

Encoder-decoder deep neural networks have been increasingly studied for multi-horizon time series forecasting, especially in real-world applications. However, to forecast accurately, these sophisticated models typically rely on a large number of time series examples with substantial history. A rapidly growing topic of interest is forecasting time series which lack sufficient historical data — often referred to as the “cold start” problem. In this paper, we introduce a novel yet simple method to address this problem by leveraging graph neural networks (GNNs) as a data augmentation for enhancing the encoder used by such forecasters. These GNN-based features can capture complex inter-series relationships, and their generation process can be optimized end-to-end with the forecasting task. We show that our architecture can use either data-driven or domain knowledge-defined graphs, scaling to incorporate information from multiple very large graphs with millions of nodes. In our target application of demand forecasting for a large e-commerce retailer, we demonstrate on both a small dataset of 100K products and a large dataset with over 2 million products that our method improves overall performance over competitive baseline models. More importantly, we show that it brings substantially more gains to “cold start” products such as those newly launched or recently out-of-stock.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google