構造的要素の分離：適応性・解釈可能性・スケーラビリティに優れた時系列予測へ

多次元時系列（MTS）予測は、多くの実世界の応用において極めて重要かつ基盤的な問題である。MTS予測の核心的な課題は、複雑な空間時系列パターンを効果的にモデル化することにある。本稿では、空間時系列パターンの各構成要素を個別にモデル化することを目指し、適応性・解釈可能性・スケーラビリティを兼ね備えた予測フレームワークを提案する。このフレームワークを、構造的成分に基づくニューラルネットワーク（Structured Component-based Neural Network）の頭文字を取って「SCNN」と命名する。SCNNは、事前に定義されたMTSの生成過程を用いる。この生成過程は、空間時系列パターンの潜在構造を算術的に特徴づける。その逆過程に従い、SCNNはMTSデータを構造的かつ異質な成分に分解し、それぞれについて進化を別々に外挿する。こうした成分の動態は、元のMTSデータよりも追跡可能かつ予測しやすい特性を持つ。広範な実験を通じて、SCNNが3つの実世界データセットにおいて、最先端のモデルを上回る優れた性能を達成できることを示した。さらに、SCNNの異なる構成に対する評価を行い、SCNNの特性について深く分析した。