SAMSGL: Series-Aligned Multi-Scale Graph Learning for Spatio-Temporal Forecasting

要約

交通予測や天気予報など、さまざまな領域における時空間予測は、主に伝播ダイナミクスのモデル化とノード間の高次元の相互作用の捕捉が難しいため、困難な取り組みです。
時空間予測におけるグラフベースのネットワークによる大幅な進歩にも関わらず、予測パフォーマンスに密接に関連し、さらなる考慮が必要な 2 つの極めて重要な要素がまだ残っています。それは、伝播ダイナミクスの時間遅延とマルチスケールの高次元相互作用です。
この研究では、予測パフォーマンスの向上を目的とした、Series-Aligned Multi-Scale Graph Learning (SAMSGL) フレームワークを紹介します。
空間相互作用における時間遅延を処理するために、遅延のないグラフ信号の集約を容易にする直列整列グラフ畳み込み層を提案します。これにより、時間遅延の影響を軽減して精度を向上させることができます。
グローバルおよびローカルの時空間相互作用を理解するために、マルチスケール グラフ学習を介して時空間アーキテクチャを開発します。これには、マルチスケール グラフ構造学習とグラフ完全接続 (Graph-FC) ブロックという 2 つの必須コンポーネントが含まれます。
マルチスケール グラフ構造の学習には、遅延ノード埋め込みと遅延なしノード埋め込みの両方を学習するグローバル グラフ構造と、隣接する要因の影響を受けるノードの変動を学習するローカル グラフ構造が含まれます。
Graph-FC ブロックは、空間情報と時間情報を相乗的に融合して、予測精度を高めます。
SAMSGLの性能を評価するために、気象データや交通予測データセットを用いた実験を実施し、SAMSGLの有効性と優位性を実証しています。

要約(オリジナル)

Spatio-temporal forecasting in various domains, like traffic prediction and weather forecasting, is a challenging endeavor, primarily due to the difficulties in modeling propagation dynamics and capturing high-dimensional interactions among nodes. Despite the significant strides made by graph-based networks in spatio-temporal forecasting, there remain two pivotal factors closely related to forecasting performance that need further consideration: time delays in propagation dynamics and multi-scale high-dimensional interactions. In this work, we present a Series-Aligned Multi-Scale Graph Learning (SAMSGL) framework, aiming to enhance forecasting performance. In order to handle time delays in spatial interactions, we propose a series-aligned graph convolution layer to facilitate the aggregation of non-delayed graph signals, thereby mitigating the influence of time delays for the improvement in accuracy. To understand global and local spatio-temporal interactions, we develop a spatio-temporal architecture via multi-scale graph learning, which encompasses two essential components: multi-scale graph structure learning and graph-fully connected (Graph-FC) blocks. The multi-scale graph structure learning includes a global graph structure to learn both delayed and non-delayed node embeddings, as well as a local one to learn node variations influenced by neighboring factors. The Graph-FC blocks synergistically fuse spatial and temporal information to boost prediction accuracy. To evaluate the performance of SAMSGL, we conduct experiments on meteorological and traffic forecasting datasets, which demonstrate its effectiveness and superiority.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google