利用长期多变量历史数据进行时间序列预测

《IEEE Transactions on Artificial Intelligence》：Leveraging Long-Term Multivariate History Representation for Time Series Forecasting

长时多变量时空建模与STGNN框架优化方案。针对传统时空图神经网络忽略长程跨序列依赖的问题，提出LMHR增强架构：1）长时历史编码器(LHEncoder)提取有效时序特征；2）非参数分层检索器(HRetriever)动态匹配时空模式；3)Transformer聚合器(TAggregator)高效融合关键特征。在多个真实数据集验证中，预测精度较基线提升10.72%且在快速变化场景下仍保持9.8%的稳定优势。

　　

影响声明：

多变量时间序列（MTS）数据在我们的日常生活中无处不在，准确的预测对于决策制定具有极高的价值。然而，最近在空间...方面的进展...显示更多

摘要：

多变量时间序列（MTS）预测在工业和学术领域都有广泛的应用。最近在时空图神经网络（STGNN）方面的进展在模拟时空相关性方面取得了显著成果。由于计算复杂性的限制，大多数用于MTS预测的STGNN主要关注短期和局部的时空依赖性。尽管一些最新方法尝试将单变量历史数据纳入建模中，但它们仍然忽略了MTS中重要的长期时空相似性和相关性，而这些对于准确预测至关重要。为了填补这一空白，我们提出了一个名为“长期多变量历史表示（LMHR）增强型STGNN”的框架。具体来说，采用了长期历史编码器（LHEncoder）来有效地将长期历史数据编码为段落级别的上下文表示，并减少点级别的噪声。设计了一种非参数层次化表示检索器（HRetriever），以便在长期时空依赖性建模中包含空间信息，并无需额外训练即可提取最有价值的表示。基于变压器的聚合器（TAggregator）根据排名位置嵌入高效地选择性地融合稀疏检索到的上下文表示。实验结果表明，LMHR在平均预测范围内比典型的STGNN性能提高了10.72%，在几个真实世界数据集上比最先进的方法提高了4.12%。此外，在数据集中变化最快的前10%的模式上，它还一致地将预测准确性提高了9.8%。

引言

多变量时间序列（MTS）的准确预测对于改进决策制定具有极高的价值，吸引了各个学术和工业领域的广泛关注。例如，对交通流量和速度的准确可靠预测可以指导实时路线规划并帮助避免拥堵[1]。同样，对电力消耗的准确预测对于管理高峰需求时段和最小化经济损失至关重要[2]。随着深度学习的发展，许多模型被提出并在MTS预测中取得了卓越的性能[3]、[4]。其中，最新的研究将MTS形式化为时空图数据[5]、[6]、[7]、[8]，承认节点之间相互影响的复杂时间动态和空间关系。