GCGNet: Rete Generativa Coerente con i Grafi per la Previsione di Serie Temporali con Variabili Esogene
È stato introdotto un approccio innovativo noto come Graph-Consistent Generative Network (GCGNet) per la previsione di serie temporali che includono variabili esogene. Queste variabili esogene migliorano la previsione delle variabili endogene future, richiedendo la modellazione sia delle correlazioni temporali (dipendenze dal passato al futuro) sia delle correlazioni tra canali (l'effetto delle variabili esogene su quelle endogene). I metodi tradizionali adottano generalmente un approccio in due fasi, trattando queste correlazioni separatamente, il che limita la loro capacità di catturare correlazioni congiunte nel tempo e tra i canali. GCGNet supera questa sfida modellando simultaneamente entrambi i tipi di correlazioni all'interno di un framework generativo coerente con i grafi. Inoltre, poiché le serie temporali reali spesso subiscono rumore, garantire la robustezza è essenziale. L'articolo è disponibile su arXiv con ID 2603.08032.
Fatti principali
- GCGNet è una rete generativa coerente con i grafi per la previsione di serie temporali con variabili esogene.
- Le variabili esogene forniscono informazioni supplementari preziose per prevedere le variabili endogene future.
- La previsione deve considerare sia le correlazioni temporali sia le correlazioni tra canali.
- I metodi esistenti utilizzano una strategia in due fasi, modellando separatamente le correlazioni temporali e quelle tra canali.
- GCGNet cattura le correlazioni congiunte nel tempo e tra i canali.
- Le serie temporali reali sono spesso influenzate da varie forme di rumore.
- La robustezza è fondamentale nella modellazione delle correlazioni.
- L'articolo è disponibile su arXiv:2603.08032.
Entità
Istituzioni
- arXiv