EnhanceNet: Redes Neuronales Plugin para Mejorar la Predicción de Series Temporales Correlacionadas

La predicción de series temporales correlacionadas juega un papel esencial en muchos sistemas ciberfísicos, donde las entidades interactúan entre sí a lo largo del tiempo. Para permitir una predicción precisa, es esencial capturar tanto la dinámica temporal como las correlaciones entre diferentes entidades. Para capturar la primera, se emplean dos tipos de modelos populares, redes neuronales recurrentes (RNN) y redes de convolución temporal (TCN). Para capturar la segunda, se construye un grafo para reflejar ciertas relaciones entre entidades y luego se aplica la convolución gráfica (GC) sobre el grafo para capturar las correlaciones entre las entidades. La precisión de predicción de vanguardia se logra mediante modelos que combinan RNN o TCN con GC. Sin embargo, no capturan las distintas dinámicas temporales que existen entre diferentes entidades ni consideran las correlaciones de las entidades que evolucionan a lo largo del tiempo. En este documento, en lugar de proponer otro nuevo modelo de predicción de extremo a extremo, nos enfocamos en proporcionar un marco para mejorar los modelos de predicción existentes, donde proponemos plugins genéricos que pueden integrarse fácilmente en soluciones existentes para resolver los dos desafíos y así mejorar su precisión. Específicamente, proponemos dos redes neuronales plugin que son capaces de capturar mejor las distintas dinámicas temporales para diferentes entidades y las correlaciones dinámicas de las entidades a lo largo del tiempo, de modo que la precisión de la predicción se mejora mientras que se reducen los parámetros del modelo que deben ser aprendidos. Los resultados experimentales en tres conjuntos de datos reales de series temporales correlacionadas demuestran que el marco propuesto con las dos redes plugin es capaz de lograr los objetivos anteriores.