多変量時系列予測のための統一的クロス変数相関学習
Unified Cross-Variable Correlation Learning for Long-Term Multivariate Time Series Forecasting
多変量時系列の複雑な進化は、時間的変動性、異質性、およびクロス変数相関の選択性によって共同で形成される。既存の予測手法はこれらの特性の1つまたは一部に焦点を当てることが多く、時間的にずれ、極性が相反し、または無関係な情報を変数間で伝播させ、予測性能を制限する可能性がある。この問題に対処するため、動的相関、異種相関、および選択的相関を共同でモデル化する多変量時系列予測のための統一的相関学習フレームワーク「TimeCorr」を提案する。具体的には、動的相関モジュールが異なる時間位置での符号付きクロス変数相関重みを推定し、依存性強度の時間的変動を特徴付ける。これに基づき、異種相関モジュールが動的相関重みの正および負の成分を独立に較正し、極性固有の相互作用効果を捉える。さらに、選択的相関モジュールが疎な関係マスクを学習し、較正された相関重みをフィルタリングして、情報量の多い変数ペアを保持しつつ無関係な相互作用を抑制する。最終的に、疎化された相関重みを使用して、変数間の局所的な文脈情報を集約して予測を行う。8つのベンチマークデータセットでの広範な評価により、TimeCorrの一貫して優れた予測性能が実証され、55の評価ケースで最低のエラーを達成した。対応する設定での2番目に良い結果と比較して、TimeCorrはMSEとMAEをそれぞれ最大6.12%および4.57%削減した。
- 動的・異種・選択的相関を統合してモデル化する多変量時系列予測フレームワーク「TimeCorr」を提案。
- 8つのベンチマークデータセット、55評価ケースで最低エラーを達成し、2番手比でMSE最大6.12%、MAE最大4.57%を削減。
多変量時系列予測は需要予測・電力負荷・金融リスク・設備保全など幅広い産業応用の基盤技術であり、MSE/MAEで最大6%超の誤差削減は実運用での予測精度改善に直結し得る。ただし本記事は学術的な手法提案とベンチマーク評価に留まり、企業の商用化・調達・規制といった投資判断に直結する事象は含まれないため、実用化やライセンス/製品化の動向が出てから評価するのが妥当。