TimeGNN: Temporal Dynamic Graph Learning for Time Series Forecasting

要約

時系列予測は、科学や工学の多くの分野における重要な現実世界のアプリケーションの中核にあります。
複雑なパターンと長期的な依存関係で構成される大規模な時系列データセットが豊富に存在するため、さまざまなニューラル ネットワーク アーキテクチャの開発が行われてきました。
予測中に多変量時系列の生の値の相関に基づいてグラフ構造を共同学習するグラフ ニューラル ネットワークのアプローチは、最近大きな成功を収めています。
ただし、そのようなソリューションはトレーニングにコストがかかり、拡張するのが難しいことがよくあります。
この論文では、複数の系列の相関とともに系列間のパターンの進化を捉えることができる動的な時間グラフ表現を学習する手法である TimeGNN を提案します。
TimeGNN は、同等の予測パフォーマンスを達成しながら、他の最先端のグラフベースの手法よりも 4 ～ 80 倍速い推論時間を実現します。

要約(オリジナル)

Time series forecasting lies at the core of important real-world applications in many fields of science and engineering. The abundance of large time series datasets that consist of complex patterns and long-term dependencies has led to the development of various neural network architectures. Graph neural network approaches, which jointly learn a graph structure based on the correlation of raw values of multivariate time series while forecasting, have recently seen great success. However, such solutions are often costly to train and difficult to scale. In this paper, we propose TimeGNN, a method that learns dynamic temporal graph representations that can capture the evolution of inter-series patterns along with the correlations of multiple series. TimeGNN achieves inference times 4 to 80 times faster than other state-of-the-art graph-based methods while achieving comparable forecasting performance

arxiv情報

提供元, 利用サービス

arxiv.jp, Google