TimeFilter: Patch-Specific Spatial-Temporal Graph Filtration for Time Series Forecasting

要約

現在の時系列予測方法は、チャネル独立 (CI) 戦略とチャネル依存 (CD) 戦略の 2 つのカテゴリに大別できます。どちらも、時系列データ内の複雑な依存関係を把握することを目的としています。
ただし、CI 戦略は相関性の高い共変量情報を利用できません。一方、CD 戦略は無関係な依存関係やノイズのある依存関係を含むすべての依存関係を統合するため、一般化が損なわれます。
これらの問題を軽減するために、最近の研究では、同様の特性を持つチャネルをグループ化し、各クラスターに異なるモデリング手法を適用することにより、チャネル クラスタリング (CC) 戦略が導入されました。
ただし、粗粒度のクラスタリングでは、時間とともに変化する複雑な相互作用を柔軟に捉えることができません。
上記の課題に対処するために、適応的かつきめ細かい依存関係モデリングのためのグラフベースのフレームワークである TimeFilter を提案します。
具体的には、入力シーケンスを使用してグラフを構築した後、TimeFilter は無関係な相関を除外し、パッチ固有のフィルター処理を通じて最も重要な相関を保持します。
さまざまなアプリケーション ドメインからの 13 の実世界のデータセットに対する広範な実験により、TimeFilter の最先端のパフォーマンスが実証されました。
コードは https://github.com/TROUBADOUR000/TimeFilter で入手できます。

要約(オリジナル)

Current time series forecasting methods can be broadly classified into two categories: Channel Independent (CI) and Channel Dependent (CD) strategies, both aiming to capture the complex dependencies within time series data. However, the CI strategy fails to exploit highly correlated covariate information, while the CD strategy integrates all dependencies, including irrelevant or noisy ones, thus compromising generalization. To mitigate these issues, recent works have introduced the Channel Clustering (CC) strategy by grouping channels with similar characteristics and applying different modeling techniques to each cluster. However, coarse-grained clustering cannot flexibly capture complex, time-varying interactions. Addressing the above challenges, we propose TimeFilter, a graph-based framework for adaptive and fine-grained dependency modeling. Specifically, after constructing the graph with the input sequence, TimeFilter filters out irrelevant correlations and preserves the most critical ones through patch-specific filtering. Extensive experiments on 13 real-world datasets from various application domains demonstrate the state-of-the-art performance of TimeFilter. The code is available at https://github.com/TROUBADOUR000/TimeFilter.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google