多变量时间序列预测在流量管理、蜂窝网络配置、量化金融等领域有着重要的应用。当有一个可用的图来捕获时间序列之间的关系时,就会出现该问题的一种特殊情况。本文提出一种新的学习架构,实现了与现有最好算法竞争或更好的性能,而不需要图的知识。所提出架构的关键元素是可学习的全连接硬图门控机制,能够在交通预测应用中使用最先进的、高计算效率的全连接时间序列预测架构。在两个公共交通网络数据集上的实验结果表明了所提方法的价值,消融研究证实了架构中每个元素的重要性。
图建模当前存在局限性:
-
这些模型的复杂性和运行时要高得多
-
些模型依赖于由领域专家提供的变量之间关系的定义
-
现有的模型往往依赖于马尔科夫假设,以使建模跨变量的相互作用易于处理
本文创新点:
本文提出了一种称为FC-GAGA的新架构,该架构将作者之前提出的全连接TS模型N-BEA (Oreshkin et al. 2020)和本文提出的硬图门机制的结合。为了生成单个TS(图形模型中的节点)的预测,它用可学习的图权值对所有其他节点的历史观测值进行加权,通过ReLU对它们进行配门,然后将所有节点的配门观测值叠加,通过全连通残差块对其进行处理。
不再依赖与图结构知识,使用一个非线性函数就可以学习到节点间的关系。如果将结构进行堆叠,每一层学习到的就是不同的图结构和图卷积一直使用同一个图存在差别
同时,FC-GAGA是内存和计算高效的结构
目标: