【论文笔记】多元时间序列预测 图结构推断 A Study of Joint Graph Inference and Forecasting

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？