A Study of Joint Graph Inference and Forecasting
1.摘要:
我们研究了一类最近的模型,它使用 图神经网络(GNNs) 来改进对多元时间序列的预测。这些模型背后的核心假设是,在时间序列(节点)之间有一个潜在的图,它支配着多元时间序列的演化。模型通过以不同的方式参数化一个图,最终目的都在于提高预测质量。我们在预测任务上比较了这类参数化方法的四个最新模型。此外,我们执行消融实验来研究它们在不断变化条件下的行为。例如,不使用图结构学习模块而直接提供数据之间的关系。基于我们的发现,我们提出了结合现有体系结构的新方法。
2.动机:
- 预测多元时间序列是科学和工业的核心机器学习任务。在各个时间序列(节点)之间,丰富的依赖关系和交互作用(边缘)支配着时间序列的演变。在最简单的情况下,这些关系可能是(线性的)相关性。
- 对“真实”关系的了解可以用来更准确地预测时间序列在未来的演变方式。更重要的是,该图可以揭示对时间序列所描述的系统的基本见解,因此图本身所具有的价值独立于对预测质量的改进。
- 因此,最近的研究工作旨在推断时间序列之间的关系,并在没有任何关于图的先验信息的情况下时间进行学习,完成端到端的预测。
- 除了预测质量的潜在好处外,在N个时间序列之间推断一个图具有固有的计算复杂度O(n2),在决定是否利用联合图进行推断和预测时需要考虑到这一点。
3.研究问题
我们在本文中考虑以下研究问题:
- (R1) 在哪些情况下,联合图推理和预测可以提高预测的精度? 考虑到多元时间序列预测的不同领域和设置(例如,交通预测中传感器的潜在空间关系,测量同一系统不同特性的传感器集等)在某些案例中,图推理可能更能帮助预测任务。
- (R2)现有的体系结构在预测性能方面的比较如何?是否有某种架构选择有利于预测?
- (R3)由模型所推断出的图的性质是什么?在不同的训练运行中,推断出的图有多一致?推断的图与“真实”图(已知时)有多么相似?