May, 2024

DeepHGNN: 基于图神经网络的层次相关多变量时间序列预测方法研究

PDF
TL;DR这篇论文介绍了一种针对复杂层次结构的新型 Hierarchical GNN（DeepHGNN）框架，该框架通过创新的基于图的层次插值和端到端的协调机制，在多个层次上确保了预测的准确性和一致性，同时在层次之间共享信号，以解决层次预测中的一个关键挑战。
graph neural networkshierarchical gnnforecastinghierarchical structureshierarchical time series
发现论文，激发创造
  • HiSTGNN：用于天气预报的分层时空图神经网络

    本文提出了一种层次化的时空图神经网络模型 (HiSTGNN)，用于模拟多个站点中气象变量之间的跨区域时空相关性，在三个真实气象数据集上表现出明显优异性能，特别是与最先进的天气预报方法相比，其误差降低了 4.2% 到 11.6%。

    Jan, 2022

  • 层次联合图学习与多变量时间序列预测

    我们提出了一种方法，将多变量信号表示为图中的节点，通过图神经网络和注意力机制来高效学习时间序列数据中的潜在关系，并建议使用分层信号分解来捕捉多个空间依赖关系，实验证明我们的模型在长期预测任务中优于现有模型，平均均方误差 (MSE) 减少了 23%。

    Nov, 2023

  • 基于图形的时间序列聚类用于端到端分层预测

    本文介绍一种基于图形结构的方法，用于在时间序列预测的深度学习中统一相对和层次的归纳偏见，该方法相对其他方法效果更佳。

    May, 2023

  • TimeGNN：时间序列预测的时间动态图学习

    TimeGNN 是一种学习动态时间图表示的方法，能够捕捉多个系列的相关性和交互模式的演变，并在预测性能方面实现比其他先进的基于图的方法快 4 到 80 倍的推理时间。

    Jul, 2023

  • 分级消息传递图神经网络

    提出了一种新的 Hierarchical Message-passing Graph Neural Networks 框架，通过生成 hierarchical structure，并采用 inra- 和 inter-level propagation manners 以及 hierarchical community detection algorithm，实现了对长程信息的高效访问，从而在节点分类、社区检测等任务中优于现有基于 GNN 的模型。

    Sep, 2020

  • 用图神经网络连接点：多元时间序列预测

    该研究提出了一种面向多变量时间序列数据的图神经网络框架，采用图学习模块提取自动生成的变量之间的关系，同时运用新颖的混合传递和膨胀创新层捕捉时间序列中的空间和时间相关性，而这些模块被联合学习在一个端对端框架中。实验结果表明，该模型的性能在 3 个基准数据集上优于现有最先进方法，并在提供额外结构信息的两个交通数据集上实现了与其他方法相当的性能。

    May, 2020

  • GEANN：用于多时域时间序列预测的可扩展图增强技术

    使用图神经网络作为数据增强来改善编码器，在冷启动产品的需求预测中取得明显的收益。

    Jul, 2023

  • 自适应依赖学习图神经网络

    通过将神经网络和统计结构学习模型相结合，我们提出了一种混合方法，通过从多变量数据中自主学习依赖关系并构建动态变化的依赖图，从而实现了在缺乏明确定义图的情况下利用图神经网络进行多变量预测。在真实世界的基准数据集上，我们的方法显著提高了性能。

    Dec, 2023

  • ForecastGrapher：用图神经网络重新定义多元时间序列预测

    ForecastGrapher 是一个框架，将多变量时间序列预测重新构想为节点回归任务，通过生成自定义节点嵌入、构建自适应邻接矩阵和增强节点特征分布的表达能力，引入 GFC-GNN 模型来捕捉复杂的时间动态和跨序列的相关性，通过大量实验证明其在多变量时间序列预测领域超过了强基线和领先的已发表技术。

    May, 2024

  • 金融时间序列预测的时空异质性图神经网络

    本论文提出了一种基于时间和异构图神经网络（THGNN）的方法，用于学习金融时间序列中价格变动之间的动态关系。该方法在美国和中国的股票市场上展开广泛实验，并在实际交易中实现了显著的累积组合回报。

    May, 2023