Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs
长期以来,多元时间序列预测在能源消耗和交通预测等实际应用中受到了广泛关注。虽然最近的方法显示出良好的预测能力,但它们有三个基本的局限性。(i).离散神经结构:交错单独参数化的空间和时间块来编码丰富的底层模式,导致不连续的潜在状态轨迹和更高的预测数值误差。(ii).高复杂性:离散方法使用专用设计和冗余参数使模型复杂化,导致更高的计算和内存开销。(iii).对图先验的依赖:依赖预定义的静态图结构限制了它们在现实应用中的有效性和实用性。本文提出了一种利用动态图神经常微分方程(MTGODE)预测多元时间序列的连续模型,解决了上述局限性。具体来说,我们首先将多元时间序列抽象成具有时间演化节点特征和未知图结构的动态图。然后,我们设计并解决了一个神经ODE来弥补缺失的图拓扑和统一的空间和时间消息传递,允许更深层次的图传播和细粒度的时间信息聚合来表征稳定和精确的潜在时空动态。我们的实验从不同角度证明了MTGODE在5个时间序列基准数据集上的优势。