Multivariate Time-Series Forecasting with Temporal Polynomial Graph Neural Networks

Multivariate Time-Series Forecasting with Temporal Polynomial Graph Neural Networks

多元时间序列(MTS)建模是现代智能系统的关键。由于MTS数据具有复杂的隐变量相关性，其准确预测仍然具有挑战性。最近的工作将图神经网络(GNNs)应用于任务，其基本思想是将相关性表示为静态图。然而，由于真实世界的MTS数据的相关性是时变的，使用静态图进行预测会导致显著的偏差。此外，在他们的工作中，没有进行实际相关性与学习相关性的差距分析，以验证其有效性。提出一种时态多项式图神经网络(temporal polynomial graph neural network, TPGNN)用于MTS的精确预测，分两步将动态变量相关性表示为时态矩阵多项式。首先，用静态矩阵基捕获整体相关性。然后，利用一组时变系数和矩阵基为每个时间步构造一个矩阵多项式;构建的结果在经验上捕获了由非重复随机游走模型生成的六个合成MTS数据集的精确动态相关性。理论分析表明，TPGNN在一定交换条件下可以达到完全逼近。在2个具有先验结构的交通数据集和4个基准数据集上进行了广泛的实验。结果表明，TPGNN在短期和长期MTS预测方面都达到了最先进的水平。