점들을 연결하다: 그래프 신경망을 이용한 다변량 시계열 예측

다변량 시계열 모델링은 경제학, 금융, 교통 등 다양한 분야의 연구자들이 오랫동안 관심을 가지고 연구해온 주제입니다. 다변량 시계열 예측의 기본 가정은 변수들 간에 서로 의존성이 있다는 것입니다. 그러나 자세히 살펴보면, 기존 방법들이 변수 쌍 간의 잠재적인 공간적 의존성을 충분히 활용하지 못하고 있다고 말할 수 있습니다. 한편 최근 몇 년 동안 그래프 신경망(GNNs)은 관계 의존성을 처리하는 데 뛰어난 능력을 보여주었습니다. GNNs는 정보 전파를 위해 잘 정의된 그래프 구조가 필요하기 때문에, 사전에 의존성이 알려지지 않은 다변량 시계열 데이터에는 직접적으로 적용할 수 없습니다.본 논문에서는 다변량 시계열 데이터를 위한 일반적인 그래프 신경망 프레임워크를 제안합니다. 우리의 접근 방식은 그래프 학습 모듈을 통해 변수들 간의 단방향 관계를 자동으로 추출하며, 이 모듈에는 변수 속성과 같은 외부 지식을 쉽게 통합할 수 있습니다. 또한 공간적 및 시간적 의존성을 포착하기 위해 혁신적인 믹스-홉(mix-hop) 전파 계층과 희소 인셉션(dilated inception) 계층을 제안합니다. 그래프 학습, 그래프 컨볼루션, 그리고 시간 컨볼루션 모듈은 엔드투엔드(end-to-end) 프레임워크에서 공동으로 학습됩니다.실험 결과는 제안된 모델이 4개 벤치마크 데이터셋 중 3개에서 최신 기준 방법들을 능가하며, 추가적인 구조적 정보를 제공하는 두 개의 교통 데이터셋에서는 다른 접근 방식들과 비슷한 성능을 달성함을 보여줍니다.