Unlocking the Potential of Linear Networks for Irregular Multivariate Time Series Forecasting

要約

時系列の予測は、財務、輸送、エネルギー、ヘルスケア、気候など、さまざまな業界で非常に重要です。
一時的な依存関係のモデリングにおける計算コストと有効性が低いため、線形ネットワークが広く使用されているにもかかわらず、ほとんどの既存の研究は、定期的にサンプリングおよび完全に観察された多変量時系列に集中しています。
ただし、実際には、さまざまなサンプリング間隔と欠損値を特徴とする不規則な多変量時系列に頻繁に遭遇します。
このようなデータにおける固有のシリーズ内の矛盾とシリーズの非同期は、静的な重みに依存する従来の線形ネットワークを使用した効果的なモデリングと予測を妨げます。
これらの課題に取り組むために、このペーパーではAITという名前の新しいモデルを紹介します。
AITは、観測時点に応じて重みを動的に調整できる適応線形ネットワークを利用して、シリーズ内の矛盾に対処し、それにより時間的依存性モデリングの精度を高めます。
さらに、可変セマンティクスの埋め込みにトランスモジュールを組み込むことにより、AITは可変相関を効率的にキャプチャし、シリーズ間の非同期の課題を回避します。
4つのベンチマークデータセットにわたる包括的な実験は、AITの優位性を示し、予測の精度を11％改善し、既存の最先端の方法と比較してランタイムを52％減少させます。

要約(オリジナル)

Time series forecasting holds significant importance across various industries, including finance, transportation, energy, healthcare, and climate. Despite the widespread use of linear networks due to their low computational cost and effectiveness in modeling temporal dependencies, most existing research has concentrated on regularly sampled and fully observed multivariate time series. However, in practice, we frequently encounter irregular multivariate time series characterized by variable sampling intervals and missing values. The inherent intra-series inconsistency and inter-series asynchrony in such data hinder effective modeling and forecasting with traditional linear networks relying on static weights. To tackle these challenges, this paper introduces a novel model named AiT. AiT utilizes an adaptive linear network capable of dynamically adjusting weights according to observation time points to address intra-series inconsistency, thereby enhancing the accuracy of temporal dependencies modeling. Furthermore, by incorporating the Transformer module on variable semantics embeddings, AiT efficiently captures variable correlations, avoiding the challenge of inter-series asynchrony. Comprehensive experiments across four benchmark datasets demonstrate the superiority of AiT, improving prediction accuracy by 11% and decreasing runtime by 52% compared to existing state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google