Die Punkte verbinden: Mehrdimensionale Zeitreihenprognose mit Graph-Neuralnetzen

Das Modellieren von multivariaten Zeitreihen war schon lange ein Thema, das Forscher aus verschiedenen Bereichen wie Wirtschaftswissenschaften, Finanzen und Verkehr anzog. Eine grundlegende Annahme bei der Vorhersage multivariater Zeitreihen ist, dass ihre Variablen voneinander abhängig sind; jedoch kann man sagen, dass bestehende Methoden die latenten räumlichen Abhängigkeiten zwischen Paaren von Variablen nicht vollständig nutzen. In den letzten Jahren zeigten Graph-Neuronale Netze (GNNs) eine hohe Fähigkeit bei der Bearbeitung relationaler Abhängigkeiten. GNNs erfordern gut definierte Graphstrukturen für die Informationsverbreitung, was bedeutet, dass sie nicht direkt auf multivariate Zeitreihen angewendet werden können, bei denen die Abhängigkeiten im Voraus nicht bekannt sind. In dieser Arbeit schlagen wir einen allgemeinen Graph-Neuronalen Netzwerkrahmen vor, der speziell für multivariate Zeitreihendaten entwickelt wurde. Unser Ansatz extrahiert automatisch die unidirektionalen Beziehungen zwischen den Variablen durch ein Graph-Lernmodul, in das externe Kenntnisse wie Variableigenschaften leicht integriert werden können. Ein neuartiges Mix-Hop-Propagationslayer und ein dilatierter Inception-Layer werden zudem vorgeschlagen, um die räumlichen und zeitlichen Abhängigkeiten innerhalb der Zeitreihe zu erfassen. Die Graph-Lern-, Graph-Faltung- und zeitliche Faltungsmodule werden in einem end-to-end-Rahmen gemeinsam gelernt. Experimentelle Ergebnisse zeigen, dass unser vorgeschlagenes Modell auf drei von vier Benchmark-Datensätzen die besten bisher bekannten Baseline-Methoden übertrifft und auf zwei Verkehrsdatensätzen, die zusätzliche strukturelle Informationen liefern, eine vergleichbare Leistung mit anderen Ansätzen erzielt.