要約
多次元時系列（MTS）予測は、幅広い応用分野において重要な役割を果たしている。近年、空間時系列グラフニューラルネットワーク（STGNN）は、MTS予測の主流となる手法として注目を集めている。STGNNは、グラフニューラルネットワークと順序モデルを統合的に用いて、MTSの空間的および時系列的パターンを共同でモデル化することで、予測精度を著しく向上させている。しかし、モデルの複雑さの制約により、大多数のSTGNNは短期間の履歴MTSデータ（例：過去1時間分）しか考慮できていない。一方で、時系列のパターンおよびそれらの間の依存関係（すなわち、時空間的パターン）を正確に分析するには、長期的な履歴MTSデータを用いた分析が不可欠である。この課題に対処するため、本研究では、スケーラブルな時系列事前学習モデル（STEP）によってSTGNNを強化する新しいフレームワークを提案する。具体的には、非常に長期の履歴時系列データ（例：過去2週間分）から効率的に時系列パターンを学習し、セグメントレベルの表現を生成する事前学習モデルを設計した。これらの表現は、STGNNに供給される短期間時系列入力に対して文脈情報を提供し、時系列間の依存関係のモデル化を支援する。3つの公開実世界データセットを用いた実験により、本フレームワークが下流のSTGNNを著しく強化できること、および事前学習モデルが適切に時系列パターンを捉えていることが確認された。