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

要約

時空間時系列予測は、実世界の様々なアプリケーションにおいて重要な役割を果たしている。この分野では大きな進歩が見られるが、時空間的な不均一性を完全に捉え、活用することは依然として基本的な課題である。そこで我々は、新しい異質性情報メタパラメータ学習スキームを提案する。具体的には、本アプローチは、空間的・時間的埋め込みを学習することで、時空間的不均一性を暗黙的に捕捉する。次に、捕捉された異質性から情報を得たメタパラメータプールから時空間特有のパラメータを学習する、新しい時空間メタパラメータ学習パラダイムを提案する。これらのアイデアに基づき、我々は時空間時系列予測のための異質性情報時空間メタネットワーク（HimNet）を開発する。広く利用されている5つのベンチマークを用いた広範な実験により、我々の手法が優れた解釈可能性を示しながら、最先端の性能を達成していることを実証する。我々のコードはhttps://github.com/XDZhelheim/HimNet。

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, DeepL