Multi-Source Knowledge-Based Hybrid Neural Framework for Time Series Representation Learning

要約

相互接続されたセンサー ネットワークにおける高次元の多変量時系列 (MTS) によって特徴付けられる複雑な動的システムの動作を正確に予測することは、リスクを最小限に抑えるためにさまざまなアプリケーションで情報に基づいた意思決定を行うために重要です。
グラフ予測ネットワーク (GFN) は、時空間依存性を示す MTS データを予測するのに理想的ですが、これまでの研究では、時系列変数の相互関係に関するドメイン固有の知識にのみ依存して非線形ダイナミクスをモデル化し、相互間の固有の関係構造依存性を無視していました。
MTS データ内の変数。
対照的に、現代の研究では MTS データからリレーショナル構造を推測しますが、ドメイン固有の知識は無視されています。
提案されたハイブリッド アーキテクチャは、知識ベースの構成一般化を使用して、ドメイン固有の知識と MTS データの基礎となるリレーショナル構造の暗黙的な知識の両方を組み合わせることで、これらの制限に対処します。
ハイブリッド アーキテクチャは、複数のベンチマーク データセットで有望な結果を示し、最先端の予測手法を上回ります。
さらに、このアーキテクチャは、マルチホライズン予測の時間変化する不確実性をモデル化します。

要約(オリジナル)

Accurately predicting the behavior of complex dynamical systems, characterized by high-dimensional multivariate time series(MTS) in interconnected sensor networks, is crucial for informed decision-making in various applications to minimize risk. While graph forecasting networks(GFNs) are ideal for forecasting MTS data that exhibit spatio-temporal dependencies, prior works rely solely on the domain-specific knowledge of time-series variables inter-relationships to model the nonlinear dynamics, neglecting inherent relational structural dependencies among the variables within the MTS data. In contrast, contemporary works infer relational structures from MTS data but neglect domain-specific knowledge. The proposed hybrid architecture addresses these limitations by combining both domain-specific knowledge and implicit knowledge of the relational structure underlying the MTS data using Knowledge-Based Compositional Generalization. The hybrid architecture shows promising results on multiple benchmark datasets, outperforming state-of-the-art forecasting methods. Additionally, the architecture models the time varying uncertainty of multi-horizon forecasts.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google