MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series

多元时间序列预测在日常生活中被广泛使用，由于存在于多个层次的复杂相关性，这给预测带来了重大挑战。不幸的是，当前大多数时间序列预测模型未能同时学习多元时间序列在多个层次上的相关性，导致性能不佳。为了解决这个问题，我们提出了一种基于多粒度相关性的预测（MGCP）网络，它同时考虑了三个粒度级别上的相关性以增强预测性能。具体而言，MGCP利用自适应傅里叶神经算子和图卷积网络来学习全局时空相关性和跨序列相关性，从多元时间序列中提取出细粒度和中粒度级别的潜在特征。此外，MGCP还采用了基于注意力机制的预测器和条件鉴别器的对抗性训练，以优化粗粒度级别上的预测结果，确保生成的预测结果与实际数据分布的高保真度。最后，我们将MGCP与几种最先进的时间序列预测算法在真实世界基准数据集上进行比较，结果表明了所提出模型的普适性和有效性。

论文试图通过提出一种多粒度相关性预测网络，解决当前多元时间序列预测模型无法同时学习多粒度相关性所导致的性能不佳的问题。

论文提出了一种名为MGCP的多粒度相关性预测网络，该网络同时考虑三个粒度级别的相关性，利用自适应傅里叶神经算子和图卷积网络学习全局时空相关性和序列间相关性，从细粒度和中等粒度水平提取多元时间序列的潜在特征，同时采用基于注意力机制的预测器和条件鉴别器的对抗训练来优化粗粒度级别的预测结果，确保生成的预测结果与实际数据分布之间的高保真度。

论文在多个真实世界基准数据集上与几种最先进的时间序列预测算法进行了比较，结果表明了所提出模型的普适性和有效性。值得注意的是，论文使用了开源代码，并且提供了实验细节和结果的详细解释，这对于进一步研究该领域的工作具有重要意义。

近期在这个领域的相关研究包括：1.《Multi-Head Attention-Based Recurrent Neural Networks for Time Series Prediction》；2.《Time Series Prediction with Transformer: A Survey》；3.《Spatio-Temporal Graph Convolutional Networks: A Survey》。