关注进化:深度图进化学习的时间序列预测

[Submitted on 16 Oct 2020]

摘要：

时间序列预测是预测分析中最活跃的研究课题之一;它被用于回答许多领域的问题，包括流行病学研究、医疗保健推断和气候变化。实际时间序列的应用需要考虑两个因素来实现有效的预测:多变量之间的动态依赖建模和调整模型的内在参数。文献中存在的一个缺口是，统计和集成学习方法系统地呈现出比深度学习方法更低的预测性能。现有的应用方法通常忽略了数据序列方面与用多个时间序列表示的多变量数据之间的纠缠。相反，这项工作为时间序列预测提出了一种新的神经网络架构，它结合了图形进化的力量和不同数据分布上的深度循环学习;我们将该方法命名为递归图演化神经网络(REGENN)。其想法是通过假设时间数据不仅依赖内部变量和时间内关系(即从自身观察)，而且依赖外部变量和时间间关系(即从他人自身观察)来推断共同发生的时间序列之间的多重多元关系。大量的实验将REGENN与数十种集成学习方法和经典统计方法进行了比较。结果显示，在来自188个国家的著名的约翰霍普金斯大学的SARS-CoV-2数据集上，与竞争对手的算法相比，该算法的性能都优于统计和集成学习方法，提高了64.87%。为了进一步验证，我们在另外两个不同领域的公共数据集上测试了我们的架构，分别是2012年心脏病挑战中的PhysioNet计算和巴西天气数据集。我们还分析了REGENN隐藏层产生的进化权值，以描述数据集的变量如何相互作用;并且，由于同时观察了时间间和时间内的关系，我们得出结论，如果注意到多变量数据是如何同步发展的，时间序列预测将得到极大的改进。

图1:一个多变量时间序列预测问题的例子，其中每个多变量时间序列(即样本)共享相同的域、时间流和变量。当把时间序列叠加在一起时，我们用描述样本、时间戳和变量的轴组成一个三维张量。多个样本在相同的时间戳中记录了相同的变量，这意味着样本是唯一的，但是每个样本都以相同的方式进行观察。通过解决这个问题，除了时间内和时间间的关系外，我们还利用了内部和外部变量来改进预测。

图2:软进化层s表示-学习图，将多个多元时间序列集合映射为共现变量的邻接矩阵。这些矩阵按元素对其求和，在样本之间生成一个共享图，在进行线性变换后，通过一个类似于相似性激活的函数，然后通过按元素对其进行相乘，生成一个中间邻接矩阵，该邻接矩阵具有共享图固有的相似性属性。

图3:为基于进化的学习而组装的软进化层图。在这种情况下，第一个GSE层(即源)的输出将供给神经网络的进一步层，神经网络的结果将经过第二层GSE层(即目标)。作为最后一层的GSE在输出之前不使用正则化器或线性变换。相反，它通过表示学习过程的输出与网络中传播的数据之间的标量积提供最终的预测。

关注人工智能学术前沿 回复 ：ts17

5秒免费获取论文pdf文档，及项目源码