Temporal Graph MLP Mixer for Spatio-Temporal Forecasting

要約

時空間予測は、交通予測、気候モデリング、環境モニタリングなどのアプリケーションにおいて重要です。
ただし、現実世界のセンサー ネットワークでは欠損データが蔓延しているため、このタスクは大幅に複雑になっています。
このペーパーでは、これらの課題に対処するために設計された新しいアーキテクチャである Temporal Graph MLP-Mixer (T-GMM) を紹介します。
このモデルは、ノード レベルの処理とパッチ レベルのサブグラフ エンコーディングを組み合わせて、局所的な空間依存関係をキャプチャすると同時に、3 次元 MLP ミキサーを利用して時間的、空間的、および特徴ベースの依存関係を処理します。
AQI、ENGRAD、PV-US、METR-LA データセットの実験では、重大な欠損データが存在する場合でも、モデルが効果的に予測できる能力を実証しています。
T-GMM は、すべてのシナリオで最先端のモデルを上回るわけではありませんが、特に長距離の依存関係の捕捉において強力な学習機能を示します。
これらの結果は、堅牢でスケーラブルな時空間予測の可能性を強調しています。

要約(オリジナル)

Spatiotemporal forecasting is critical in applications such as traffic prediction, climate modeling, and environmental monitoring. However, the prevalence of missing data in real-world sensor networks significantly complicates this task. In this paper, we introduce the Temporal Graph MLP-Mixer (T-GMM), a novel architecture designed to address these challenges. The model combines node-level processing with patch-level subgraph encoding to capture localized spatial dependencies while leveraging a three-dimensional MLP-Mixer to handle temporal, spatial, and feature-based dependencies. Experiments on the AQI, ENGRAD, PV-US and METR-LA datasets demonstrate the model’s ability to effectively forecast even in the presence of significant missing data. While not surpassing state-of-the-art models in all scenarios, the T-GMM exhibits strong learning capabilities, particularly in capturing long-range dependencies. These results highlight its potential for robust, scalable spatiotemporal forecasting.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google