Використання графових нейромереж архітектури GNN для реалізації програмних компонент прогнозування множинних часових рядів

Abstract

У даній роботі досліджено можливості використання графів видимості у поєднанні з графовими нейронними мережами для прогнозування часових рядів. Запропоновано підхід до перетворення числових часових рядів у графові структури шляхом побудови графів видимості, що дозволяє зберегти геометричні та топологічні властивості сигналу. У межах дослідження реалізовано та проаналізовано два підходи: прогнозування зв’язків у графі (Link Prediction) та графову регресію (Graph Regression). Для кожного підходу застосовано різні архітектури графових нейронних мереж, зокрема GCN, GraphSAGE, GAT та GIN. Експериментальна оцінка проведена на реальному наборі даних M5 Forecasting, який містить часові ряди продажів у роздрібній торгівлі. Результати експериментів показали, що підхід Graph Regression забезпечує вищу точність прогнозування порівняно з Link Prediction, оскільки дозволяє напряму передбачати числові значення без додаткового етапу реконструкції. Отримані результати підтверджують доцільність використання графів видимості та графових нейронних мереж у задачах прогнозування часових рядів із нелінійною та нерегулярною структурою.