[論文レビュー] Chickenpox Cases in Hungary: a Benchmark Dataset for Spatiotemporal Signal Processing with Graph Neural Networks

Benedek Rózemberczki, Paul Scherer+3 more|arXiv (Cornell University)|Feb 16, 2021

Traffic Prediction and Management Techniques参考文献 21被引用数 7

ひとこと要約

本稿では、時空間予測における再帰的グラフニューラルネットワークの評価のための新しいベンチマークとして、ハンガリーの水痘症例データセットを紹介する。このデータセットは2005年から2015年の週次県別症例数を含み、強い季節性、空間的および時間的自己相関、ゼロインflated（ゼロ過剰）性、および異分散性を特徴としている。評価の結果、DynGRAEが複数の予測期間において最も優れた予測性能を示し、特に10週間予測において顕著な優位性を示した。

ABSTRACT

Recurrent graph convolutional neural networks are highly effective machine learning techniques for spatiotemporal signal processing. Newly proposed graph neural network architectures are repetitively evaluated on standard tasks such as traffic or weather forecasting. In this paper, we propose the Chickenpox Cases in Hungary dataset as a new dataset for comparing graph neural network architectures. Our time series analysis and forecasting experiments demonstrate that the Chickenpox Cases in Hungary dataset is adequate for comparing the predictive performance and forecasting capabilities of novel recurrent graph neural network architectures.

研究の動機と目的

• 時空間予測における再帰的グラフニューラルネットワークアーキテクチャの評価のための、新しい現実的ベンチマークデータセットを提供すること。
• 交通や気象予測を超える多様で公開可能な時空間データセットの不足を解消すること。
• 複雑な統計的特性を有する現実世界の疫学的時系列におけるグラフニューラルネットワークの性能を比較評価可能にするための支援。
• 構造的および統計的課題を有するデータセットを提供することで、時系列グラフ表現学習の研究を支援すること。

提案手法

• データセットは2005年から2015年までの週次で報告されたハンガリー19県の水痘症例数から構成される。
• 県レベルの地理的隣接関係に基づいて空間的隣接グラフが構築される。
• 再帰的グラフニューラルネットワークモデルは、8つの歴史的時系列ステップを入力特徴として使用して訓練される。
• 予測期間10週、20週、40週の各期間において、平均二乗誤差（MSE）を用いてモデルを評価する。
• 標準化された時系列を用いて訓練を行い、GConvLSTM、GConvGRU、Evolve GCN、DynGRAE、STGCN、DCRNNなどのモデルが含まれる。
• 性能評価の信頼性を高めるために、実験を10回繰り返し、平均MSEと標準偏差を計算する。

実験結果

リサーチクエスチョン

• RQ1 最先端の再帰的グラフニューラルネットワークは、複雑なダイナミクスを有する現実世界の疫学的時系列にどの程度一般化できるか？
• RQ2 ハンガリーの県間で水痘症例を予測するにあたり、主な統計的課題は何か？
• RQ3 複数の予測期間にわたって、どのグラフニューラルネットワークアーキテクチャが最も優れた予測性能を示すか？
• RQ4 季節性、ゼロ過剰性、空間的自己相関といった要因は、モデルの一般化性能および誤差率にどのように影響を及えるか？

主な発見

• DynGRAEは10週間予測期間において最小の平均二乗誤差（0.706 ± 0.004）を達成し、有意に他のモデルを上回った（有意水準α = 5％）。
• 40週間の予測期間では、複数のモデルがランダムより悪い予測性能を示した。これは長期予測において性能が劣化していることを示している。
• GConvLSTMとGConvGRUは、それぞれ10週間予測でMSEが0.741 ± 0.005および0.757 ± 0.001を示し、良好な性能を発揮した。
• Evolve GCN-OとEvolve GCN-Hは、10週間予測でMSEが0.775 ± 0.007および0.766 ± 0.009と高く、予測精度が低いことが示された。
• トップモデルとボトムモデルの性能差は、長期予測期間において最も顕著であり、アーキテクチャの感受性が顕著に現れた。
• 季節性、ゼロ過剰性、および異分散性といったデータセットの複雑な特性は、現在のグラフニューラルネットワーク設計にとって顕著な課題をもたらしている。