ForecastGrapher：グラフニューラルネットワークを活用した多変量時系列予測の再定義

多変量時系列予測におけるシリーズ間相関関係を効果的に学習するという課題は、依然として大きな未解決問題として残っている。従来の深層学習モデルは、長期間の時系列データをモデル化する上でTransformerアーキテクチャに大きく依存しているが、複数の時系列からの情報を一貫性を持ち、普遍的に適用可能なモデルに統合することができない場合が多い。このギャップを埋めるために、本論文ではForecastGrapherと呼ばれるフレームワークを提案する。このフレームワークは、多変量時系列予測をノード回帰問題として再定式化することで、複雑な時系列的動態およびシリーズ間相関を捉えるための独自のアプローチを提供する。本手法は以下の3つの重要なステップに基づいている：第一に、各時系列内の時系列変動を反映するカスタムノード埋め込みを生成すること；第二に、シリーズ間相関を符号化するための適応的隣接行列を構築すること；第三に、ノード特徴量の分布の多様性を高めることで、GNNの表現力を強化すること。この表現力の向上を実現するために、グループ特徴畳み込みGNN（GFC-GNN）を導入する。このモデルは、学習可能なスケーラーを用いてノード特徴量を複数のグループに分割し、集約フェーズの前段で異なるカーネル長を持つ一次元畳み込みを各グループに適用する。その結果、GFC-GNNは完全なエンド・トゥ・エンドの枠組みでノード特徴量分布の多様性を豊かにする。広範な実験およびアブレーションスタディを通じて、ForecastGrapherが多変量時系列予測分野における強力なベースラインおよび最先端の既存手法を上回ることを示した。