点を結ぶ：グラフニューラルネットワークを用いた多変量時系列予測

多変量時系列のモデリングは、経済学、金融、交通など多様な分野の研究者たちが長年注目してきた主題である。多変量時系列予測の基本的な前提は、その変数が互いに依存していることであるが、詳細に見ると、既存の手法は変数間の潜在的な空間的依存関係を十分に活用できていないと言える。一方で、最近の研究ではグラフニューラルネットワーク（GNNs）が関係性の依存関係を処理する高い能力を示している。GNNsは情報伝播のために明確に定義されたグラフ構造を必要とするため、事前に依存関係が知られていない多変量時系列には直接適用できない。本論文では、特に多変量時系列データ向けに設計された一般的なグラフニューラルネットワークフレームワークを提案する。当手法は、グラフ学習モジュールを通じて変数間の単方向関係を自動的に抽出し、外部知識（例えば変数属性）を容易に統合できるようにしている。さらに、空間的および時間的依存関係を捉えるために新しいミックスホップ伝播層とディラテッドインセプション層を提案する。グラフ学習モジュール、グラフ畳み込みモジュール、時間畳み込みモジュールはエンドツーエンドのフレームワーク内で共同で学習される。実験結果は、提案モデルが4つのベンチマークデータセットのうち3つで最先端の基準手法よりも優れた性能を示し、2つの交通データセット（これらのデータセットには追加の構造的情報が提供されている）では他のアプローチと同等の性能を達成したことを示している。