Heterogeneity-Informed Meta-Parameter Learning for Spatiotemporal Time Series Forecasting

要約

時空間時系列予測は、現実世界の幅広いアプリケーションで重要な役割を果たします。
この分野では大きな進歩が見られましたが、時空間的異質性を完全に捉えて活用することは依然として根本的な課題です。
したがって、我々は、異質性に基づいた新しいメタパラメータ学習スキームを提案します。
具体的には、私たちのアプローチは、クラスタリングプロセスとみなすことができる空間的および時間的埋め込みの学習を通じて、時空間的異質性を暗黙的に捕捉します。
次に、捕捉された不均一性によって通知される、メタパラメータ プールから時空間固有のパラメータを学習するための、新しい時空間メタパラメータ学習パラダイムが提案されます。
これらのアイデアに基づいて、時空間時系列予測のための異質性情報に基づいた時空間メタネットワーク (HimNet) を開発します。
広く使用されている 5 つのベンチマークに関する広範な実験により、私たちの手法が優れた解釈可能性を示しながら最先端のパフォーマンスを達成できることが実証されました。
私たちのコードは https://github.com/XDZhelheim/HimNet で入手できます。

要約(オリジナル)

Spatiotemporal time series forecasting plays a key role in a wide range of real-world applications. While significant progress has been made in this area, fully capturing and leveraging spatiotemporal heterogeneity remains a fundamental challenge. Therefore, we propose a novel Heterogeneity-Informed Meta-Parameter Learning scheme. Specifically, our approach implicitly captures spatiotemporal heterogeneity through learning spatial and temporal embeddings, which can be viewed as a clustering process. Then, a novel spatiotemporal meta-parameter learning paradigm is proposed to learn spatiotemporal-specific parameters from meta-parameter pools, which is informed by the captured heterogeneity. Based on these ideas, we develop a Heterogeneity-Informed Spatiotemporal Meta-Network (HimNet) for spatiotemporal time series forecasting. Extensive experiments on five widely-used benchmarks demonstrate our method achieves state-of-the-art performance while exhibiting superior interpretability. Our code is available at https://github.com/XDZhelheim/HimNet.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google