ForecastGrapher: Redefiniendo la predicción de series temporales multivariantes con redes neuronales de grafos

El desafío de aprender efectivamente las correlaciones entre series para la predicción de series temporales multivariantes sigue siendo un problema sustancial y no resuelto. Los modelos tradicionales de aprendizaje profundo, que dependen en gran medida del paradigma Transformer para modelar largas secuencias, a menudo no logran integrar información de múltiples series temporales en un modelo coherente y universalmente aplicable. Para cerrar esta brecha, nuestro artículo presenta ForecastGrapher, un marco que reconceptualiza la predicción de series temporales multivariantes como una tarea de regresión de nodos, ofreciendo una vía única para capturar las intrincadas dinámicas temporales y las correlaciones inter-series. Nuestro enfoque se basa en tres pasos cruciales: primero, generar incrustaciones de nodos personalizadas para reflejar las variaciones temporales dentro de cada serie; segundo, construir una matriz de adyacencia adaptativa para codificar las correlaciones inter-series; y tercero, aumentar el poder expresivo de las GNN mediante la diversificación de la distribución de características de los nodos. Para mejorar este poder expresivo, introducimos el GNN de Convolución de Características de Grupo (GFC-GNN). Este modelo emplea un escalador aprendible para segmentar las características de los nodos en múltiples grupos y aplica convoluciones unidimensionales con diferentes longitudes de núcleo a cada grupo antes de la fase de agregación. Como resultado, el método GFC-GNN enriquece la diversidad de la distribución de características de los nodos de manera totalmente end-to-end. A través de experimentos extensivos y estudios de ablación, mostramos que ForecastGrapher supera potentes líneas base y técnicas líderes publicadas en el dominio de la predicción de series temporales multivariantes.