GCGNet: 외부 변수를 활용한 시계열 예측을 위한 그래프 일관성 생성 네트워크

GCGNet: Graph-Consistent Generative Network for Time Series Forecasting with Exogenous Variables

외부 변수는 미래의 내생 변수를 예측하는 데 귀중한 보조 정보를 제공합니다. 외부 변수를 활용한 예측은 과거에서 미래로의 의존성(즉, 시간적 상관관계)과 외부 변수가 내생 변수에 미치는 영향(즉, 채널 상관관계) 모두를 고려해야 합니다. 특히, 미래의 외부 변수가 주어질 경우, 이러한 변수들이 미래의 내생 변수에 직접적인 영향을 미칠 수 있기 때문에 더욱 중요합니다. 시계열 예측에 대한 많은 방법들이 제안되었으며, 이들은 주로 시간적 및 채널 상관관계를 모델링하는 데 중점을 둡니다. 그러나 대부분의 방법은 시간적 및 채널 상관관계를 별도로 모델링하는 2단계 전략을 사용하며, 이는 시간과 채널 모두에 걸친 상호 연관성을 포착하는 능력을 제한합니다. 또한, 실제 시나리오에서 시계열 데이터는 다양한 형태의 노이즈에 의해 영향을 받기 때문에, 이러한 상관관계 모델링에서 강건성이 매우 중요합니다. 이러한 한계점을 극복하기 위해, 우리는 외부 변수를 활용한 시계열 예측을 위한 그래프 일관성 생성 네트워크인 GCGNet을 제안합니다. 구체적으로, GCGNet은 먼저 변분 생성기를 사용하여 대략적인 예측을 수행합니다. 그래프 구조 정렬기는 생성된 예측과 실제 상관관계 간의 일관성을 평가하여 이를 안내하며, 이러한 상관관계는 그래프로 표현되며 노이즈에 강건합니다. 마지막으로, 예측의 성능 저하를 방지하고 정확도를 향상시키기 위해 그래프 개선 모듈이 제안됩니다. 12개의 실제 데이터 세트에 대한 광범위한 실험 결과, GCGNet이 최첨단 기준 모델보다 우수한 성능을 보임을 보여줍니다.

Exogenous variables offer valuable supplementary information for predicting future endogenous variables. Forecasting with exogenous variables needs to consider both past-to-future dependencies (i.e., temporal correlations) and the influence of exogenous variables on endogenous variables (i.e., channel correlations). This is pivotal when future exogenous variables are available, because they may directly affect the future endogenous variables. Many methods have been proposed for time series forecasting with exogenous variables, focusing on modeling temporal and channel correlations. However, most of them use a two-step strategy, modeling temporal and channel correlations separately, which limits their ability to capture joint correlations across time and channels. Furthermore, in real-world scenarios, time series are frequently affected by various forms of noises, underscoring the critical importance of robustness in such correlations modeling. To address these limitations, we propose GCGNet, a Graph-Consistent Generative Network for time series forecasting with exogenous variables. Specifically, GCGNet first employs a Variational Generator to produce coarse predictions. A Graph Structure Aligner then further guides it by evaluating the consistency between the generated and true correlations, where the correlations are represented as graphs, and are robust to noises. Finally, a Graph Refiner is proposed to refine the predictions to prevent degeneration and improve accuracy. Extensive experiments on 12 real-world datasets demonstrate that GCGNet outperforms state-of-the-art baselines.