[论文解读] Modeling Combinatorial Evolution in Time Series Prediction.

Wenjie Hu, Yang Yang+3 more|arXiv (Cornell University)|May 10, 2019

Time Series Analysis and Forecasting参考文献 39被引用 1

一句话总结

本文提出进化图循环网络（EGRN），一种图神经网络框架，通过进化状态图对时间序列数据中内在因素之间的时变关系进行建模。EGRN 能够捕捉因素的组合演化，平均在六个真实世界数据集上实现 +5% 的准确率提升和 +15% 的 F1 分数提升，同时通过揭示逻辑因果模式，实现可解释的预测。

ABSTRACT

Time series modeling aims to capture the intrinsic factors underpinning observed data and its evolution. However, most existing studies ignore the evolutionary relations among these factors, which are what cause the combinatorial evolution of a given time series. In this paper, we propose to represent time-varying relations among intrinsic factors of time series data by means of an evolutionary state graph structure. Accordingly, we propose the Evolutionary Graph Recurrent Networks (EGRN) to learn representations of these factors, along with the given time series, using a graph neural network framework. The learned representations can then be applied to time series classification tasks. From our experiment results, based on six real-world datasets, it can be seen that our approach clearly outperforms ten state-of-the-art baseline methods (e.g. +5% in terms of accuracy, and +15% in terms of F1 on average). In addition, we demonstrate that due to the graph structure's improved interpretability, our method is also able to explain the logical causes of the predicted events.

研究动机与目标

• 解决现有时间序列模型忽略内在因素之间动态关系的局限性。
• 通过其时变交互关系的结构化表示，对时间序列因素的动态组合演化进行建模。
• 开发一种可学习的框架，联合捕捉因素表征及其随时间演化的关联关系，以提升时间序列分类性能。
• 通过图结构揭示预测事件背后的逻辑因果关系，提升模型可解释性。

提出的方法

• 使用进化状态图表示内在因素之间的时变关系，该图编码了随时间推移的转移与交互。
• 设计基于图神经网络的架构 EGRN，以学习时间序列及其随时间演化的因素关系的联合表征。
• 在图框架中集成循环机制，以建模时间依赖性和动态因素演化。
• 在图网络中使用消息传递机制，实现相关因素间表征的传播与更新。
• 使用监督时间序列分类损失端到端训练 EGRN，以优化预测性能。
• 利用图结构提取并解释预测背后的因果模式，增强可解释性。

实验结果

研究问题

• RQ1 时间序列模型如何能更好地捕捉内在因素随时间的组合演化？
• RQ2 建模随时间演化的因素关系在多大程度上能提升时间序列分类的准确性？
• RQ3 基于图的框架是否能通过揭示时间序列中的逻辑因果关系，提供更具可解释性的预测？
• RQ4 EGRN 在多样化的真实世界时间序列数据集上与最先进方法相比表现如何？

主要发现

• 在六个真实世界时间序列数据集上，EGRN 相较于十种最先进基线方法，平均分类准确率提升 +5%。
• 在相同基线方法上，F1 分数平均提升 +15%，表明其在类别不平衡或复杂预测任务中表现更优。
• 进化状态图结构通过揭示预测事件背后的逻辑原因，实现了对预测结果的有意义解释。
• 该模型在不同数据集上均保持一致的性能提升，表明其对不同数据特征和时间动态具有鲁棒性。