多変量時系列予測のためのスペクトル時空間グラフニューラルネットワーク

多次元時系列予測は、多くの現実世界の応用において重要な役割を果たしている。この問題は、系列内での時系列相関（intra-series temporal correlations）と系列間の相関（inter-series correlations）の両方を同時に考慮する必要があるため、高い課題性を有している。近年、これらの相関を捉えようとする研究が複数報告されているが、その多くは時間領域における時系列相関のみを扱い、系列間の関係性については事前定義された前提（pre-defined priors）に依存している。本論文では、多次元時系列予測の精度をさらに向上させるために、スペクトル時系列グラフニューラルネットワーク（Spectral Temporal Graph Neural Network, StemGNN）を提案する。StemGNNは、系列間相関と時系列依存性をスペクトル領域（spectral domain）において同時に捉える。この手法は、系列間相関をモデル化するグラフフーリエ変換（Graph Fourier Transform, GFT）と、時系列依存性をモデル化する離散フーリエ変換（Discrete Fourier Transform, DFT）を、エンドツーエンドのフレームワーク内で統合している。GFTとDFTを経由した後、得られるスペクトル表現は明確なパターンを示し、畳み込み層および順序学習モジュールにより効果的に予測可能となる。さらに、StemGNNは事前定義された前提を用いずに、データから自動的に系列間相関を学習する点が特徴である。本研究では、10種類の実世界データセットを用いた広範な実験を通じて、StemGNNの有効性を検証した。実装コードは以下のURLで公開されている：https://github.com/microsoft/StemGNN/