用于多元时间序列预测的多尺度自适应图神经网络
Multi-Scale Adaptive Graph Neural Network for Multivariate Time Series Forecasting
AI总结：
针对多元时间序列中多尺度时间模式难以捕捉的问题，提出多尺度自适应图神经网络MAGNN，通过多尺度金字塔网络、自适应图学习模块和尺度融合模块联合建模变量内与变量间依赖，在四个真实数据集上优于现有方法。
摘要：
多元时间序列（MTS）预测在智能应用的自动化和优化中扮演着重要角色。这是一项具有挑战性的任务，因为我们需要同时考虑复杂的变量内依赖关系和变量间依赖关系。现有的工作仅借助单一的变量间依赖关系来学习时间模式。然而，许多现实世界的MTS中存在多尺度的时间模式。单一的变量间依赖关系使得模型倾向于学习一种类型的显著且共享的时间模式。在本文中，我们提出了一种多尺度自适应图神经网络（MAGNN）来解决上述问题。MAGNN利用多尺度金字塔网络来保留不同时间尺度下的潜在时间依赖关系。由于在不同时间尺度下变量间依赖关系可能有所不同，我们设计了一个自适应图学习模块，在无需预定义先验的情况下推断特定于尺度的变量间依赖关系。在获得多尺度特征表示和特定于尺度的变量间依赖关系后，引入了一个多尺度时间图神经网络来联合建模变量内依赖关系和变量间依赖关系。此后，我们开发了一个尺度融合模块，以有效促进不同时间尺度间的协作，并自动捕获所贡献时间模式的重要性。在四个真实世界数据集上的实验表明，MAGNN在各种设置下均优于最先进的方法。
英文摘要：
Multivariate time series (MTS) forecasting plays an important role in the automation and optimization of intelligent applications. It is a challenging task, as we need to consider both complex intra-variable dependencies and inter-variable dependencies. Existing works only learn temporal patterns with the help of single inter-variable dependencies. However, there are multi-scale temporal patterns in many real-world MTS. Single inter-variable dependencies make the model prefer to learn one type of prominent and shared temporal patterns. In this paper, we propose a multi-scale adaptive graph neural network (MAGNN) to address the above issue. MAGNN exploits a multi-scale pyramid network to preserve the underlying temporal dependencies at different time scales. Since the inter-variable dependencies may be different under distinct time scales, an adaptive graph learning module is designed to infer the scale-specific inter-variable dependencies without pre-defined priors. Given the multi-scale feature representations and scale-specific inter-variable dependencies, a multi-scale temporal graph neural network is introduced to jointly model intra-variable dependencies and inter-variable dependencies. After that, we develop a scale-wise fusion module to effectively promote the collaboration across different time scales, and automatically capture the importance of contributed temporal patterns. Experiments on four real-world datasets demonstrate that MAGNN outperforms the state-of-the-art methods across various settings.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
