空間時系列アイデンティティ：多次元時系列予測のためのシンプルでありながら有効なベースライン

多次元時系列（MTS）予測は、広範な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、優れた性能を発揮するため、MTS予測手法としてますます注目を集めている。しかし、最近の研究はますます複雑化している一方で、性能向上は限定的である。この現象を受けて、我々はMTS予測の重要な要因を検討し、STGNNと同等の性能を発揮しつつも、より簡潔で効率的なモデルの設計に取り組むこととした。本論文では、空間的および時系列的次元においてサンプルの区別不能性（indistinguishability）が主要な障壁であることを特定し、空間的・時系列的ID情報を付加するシンプルかつ効果的なベースライン手法（STID）を提案する。この手法は、単純なマルチレイヤーパーセプトロン（MLP）を用いて、性能と効率の両面で最良の結果を達成した。これらの結果から、STGNNに依存することなく、サンプルの区別不能性を解決する限り、効率的かつ有効なモデル設計が可能であることが示唆される。