MSHyper: Multi-Scale Hypergraph Transformer for Long-Range Time Series Forecasting

要約

異なるスケールの時間パターン間の相互作用を解明することは、正確な長距離時系列予測の基礎となります。
ただし、以前の研究には高次の相互作用をモデル化する機能がありません。
長期時系列予測のためのより包括的なパターン相互作用モデリングを促進するために、マルチスケール ハイパーグラフ トランスフォーマー (MSHyper) フレームワークを提案します。
具体的には、高次パターン相互作用をモデル化するための基盤を提供するために、マルチスケール ハイパーグラフが導入されています。
次に、ハイパーエッジをノードとして扱うことで、ハイパーグラフ モデリングを強化するハイパーエッジ グラフも構築します。
さらに、パターン情報を集約し、異なるスケールの時間的パターン間の相互作用の強さを学習するために、3 段階のメッセージ パッシング メカニズムが導入されています。
5 つの現実世界のデータセットに対する広範な実験により、MSHyper が最先端のパフォーマンスを実現し、MSE と MAE の最良のベースラインと比較して、予測誤差をそれぞれ平均 8.73% と 7.15% 削減することが実証されました。

要約(オリジナル)

Demystifying interactions between temporal patterns of different scales is fundamental to precise long-range time series forecasting. However, previous works lack the ability to model high-order interactions. To promote more comprehensive pattern interaction modeling for long-range time series forecasting, we propose a Multi-Scale Hypergraph Transformer (MSHyper) framework. Specifically, a multi-scale hypergraph is introduced to provide foundations for modeling high-order pattern interactions. Then by treating hyperedges as nodes, we also build a hyperedge graph to enhance hypergraph modeling. In addition, a tri-stage message passing mechanism is introduced to aggregate pattern information and learn the interaction strength between temporal patterns of different scales. Extensive experiments on five real-world datasets demonstrate that MSHyper achieves state-of-the-art performance, reducing prediction errors by an average of 8.73% and 7.15% over the best baseline in MSE and MAE, respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google