ForecastGrapher: Die Neubewertung der multivariaten Zeitreihenprognose mit Graph Neural Networks

Die Herausforderung, inter-serielle Korrelationen effektiv für die Vorhersage mehrdimensionaler Zeitreihen zu lernen, bleibt eine erhebliche und bislang ungelöste Aufgabe. Traditionelle tiefgehende Lernmodelle, die weitgehend auf dem Transformer-Paradigma zur Modellierung langer Sequenzen basieren, gelingen es oft nicht, Informationen aus mehreren Zeitreihen in ein kohärentes und universell anwendbares Modell zu integrieren. Um diese Lücke zu schließen, präsentieren wir ForecastGrapher, einen Rahmen, der die Vorhersage mehrdimensionaler Zeitreihen neu konzeptualisiert als eine Knotenregressionsaufgabe und damit einen einzigartigen Ansatz zur Erfassung der komplexen zeitlichen Dynamiken und inter-seriellen Korrelationen bietet. Unser Ansatz beruht auf drei entscheidenden Schritten: Erstens die Erzeugung maßgeschneiderter Knoten-Embeddings, um die zeitlichen Variationen innerhalb jeder Serie zu erfassen; zweitens die Konstruktion einer adaptiven Adjazenzmatrix zur Kodierung der inter-seriellen Korrelationen; und drittens die Steigerung der Ausdruckskraft von GNNs durch die Diversifizierung der Knotenmerkmalsverteilung. Zur Verbesserung dieser Ausdruckskraft führen wir den Group Feature Convolution GNN (GFC-GNN) ein. Dieses Modell verwendet einen lernbaren Skalierer, um die Knotenmerkmale in mehrere Gruppen zu unterteilen, und wendet eindimensionale Faltungen mit unterschiedlichen Kernel-Längen auf jede Gruppe an, bevor die Aggregation erfolgt. Dadurch wird die Vielfalt der Knotenmerkmalsverteilung vollständig end-to-end bereichert. Durch umfangreiche Experimente und Ablationstudien zeigen wir, dass ForecastGrapher starke Baselines sowie führende veröffentlichte Methoden im Bereich der Vorhersage mehrdimensionaler Zeitreihen übertrifft.