Спектральная временная графовая нейронная сеть для прогнозирования многомерных временных рядов

Прогнозирование многомерных временных рядов играет важную роль во многих практических приложениях. Это сложная задача, поскольку при ее решении необходимо одновременно учитывать временные корреляции внутри рядов и корреляции между рядами. В последнее время было предложено несколько методов, направленных на учет обоих типов корреляций, однако большинство, если не все, учитывают временные корреляции только во временной области и используют заранее заданные априорные зависимости между рядами. В данной работе мы предлагаем спектральную временную графовую нейронную сеть (Spectral Temporal Graph Neural Network, StemGNN) для дальнейшего повышения точности прогнозирования многомерных временных рядов. StemGNN совместно моделирует корреляции между рядами и временные зависимости в спектральной области. В рамках сквозной архитектуры она объединяет графовое преобразование Фурье (Graph Fourier Transform, GFT), моделирующее корреляции между рядами, и дискретное преобразование Фурье (Discrete Fourier Transform, DFT), моделирующее временные зависимости. После применения GFT и DFT спектральные представления демонстрируют четко выраженные закономерности и могут эффективно прогнозироваться с помощью модулей сверточного и последовательного обучения. Кроме того, StemGNN автоматически извлекает корреляции между рядами из данных без использования заранее заданных априорных зависимостей. Мы провели всесторонние эксперименты на десяти наборах данных из реального мира, чтобы продемонстрировать эффективность StemGNN. Исходный код доступен по адресу: https://github.com/microsoft/StemGNN/.