Генерация временных рядов с пространственными взаимосвязями
Алена Михайловна КРОПАЧЕВА,
Дмитрий Викторович ГИРДЮК,
Илларион Лаврентьевич ИОВ,
Антон Юрьевич ПЕРШИН https://doi.org/10.15514/ISPRAS-2024-36(4)-11
Аннотация
В эпоху глубокого обучения нейронные сети постепенно заменяют статистические подходы к прогнозированию временных рядов в различных областях, например, в сфере пространственно-временного моделирования. Однако недостаток открытых наборов данных в этой области препятствует развитию нейросетевых методов. Альтернативным решением для сбора данных является генерация синтетических данных, но существующие методы фокусируются только на генерации некоррелированных независимых временных рядов. В этой работе мы представляем метод генерации временных рядов с пространственной корреляцией. Он использует набор параметризуемых авторегрессионных моделей для генерации одномерных временных рядов в сочетании с подходом к выбору параметров модели, что позволяет моделировать пространственные взаимоотношения. В работе приведена реализация метода и результаты экспериментов, которые показывают применимость данных для пространственно-временного моделирования.
Ключевые слова
При поддержке: Работа выполнена в рамках государственного задания Министерства науки и высшего образования Российской Федерации (проект № FSER-2024-0004).
Об авторах
Алена Михайловна КРОПАЧЕВА
Санкт-Петербургский государственный университет
Россия
Россия
Является обучающейся бакалавриата факультета Математики и механики Санкт-Петербургского государственного университета. Область научных интересов: анализ временных рядов, классические алгоритмы компьютерного зрения, машинное обучение и глубокое обучение.
Дмитрий Викторович ГИРДЮК
Санкт-Петербургский государственный университет
Россия
Россия
Является ассистентом кафедры диагностики функциональных систем Санкт-Петербургского государственного университета. Его научные интересы включают компьютерное зрение, анализ временных рядов, математическая иммунология.
Илларион Лаврентьевич ИОВ
Университет ИТМО
Россия
Россия
Аспирант лаборатории моделирования природных систем Университета ИТМО. Область научных интересов: автоматическое машинное обучение, применение больших языковых моделей для оптимизации, анализ временных рядов.
Антон Юрьевич ПЕРШИН
Санкт-Петербургский государственный университет
Россия
Россия
Ph.D., доцент кафедры фундаментальной информатики и распределенных систем Санкт-Петербургского государственного университета. Сфера научных интересов: хаотические динамические системы, ламинарно-турбулентный переход, численные методы анализа устойчивости, анализ временных рядов.
Список литературы
1. Y. Hahn, T. Langer, R. Meyes, and T. Meisen, “Time series dataset survey for forecasting with deep learning,” Forecasting, vol. 5, no. 1, pp. 315–335, 2023, Available at: https://www.mdpi.com/25719394/5/1/17, accessed 02.04.2024.
2. S. Makridakis, E. Spiliotis, and V. Assimakopoulos, “The m4 competition: 100,000 time series and 61 forecasting methods,” International Journal of Forecasting, vol. 36, no. 1, pp. 54–74, 2020, m4 Competition.
3. S. Makridakis, E. Spiliotis, and V. Assimakopoulos, “The m5 competition: Background, organization, and implementation,” International Journal of Forecasting, vol. 38, no. 4, pp. 1325–1336, 2022, special Issue: M5 competition.
4. M. Abolghasemi, G. Tarr, and C. Bergmeir, “Machine learning applications in hierarchical time series forecasting: Investigating the impact of promotions,” International Journal of Forecasting, vol. 40, no. 2, pp. 597–615, 2024.
5. Y. Li, R. Yu, C. Shahabi, and Y. Liu, “Graph convolutional recurrent neural network: Data-driven traffic forecasting,” ArXiv, vol. abs/1707.01926, 2017, Available at: https://api.semanticscholar.org/CorpusID:195346050, , accessed 02.04.2024.
6. Y. Kang, R. J. Hyndman, and F. Li, “Gratis: Generating time series with diverse and controllable characteristics,” 2019.
7. Q. Wen, T. Zhou, C. Zhang, W. Chen, Z. Ma, J. Yan, and L. Sun, “Transformers in time series: A survey,” arXiv preprint arXiv:2202.07125, 2022.
8. J. A. Miller, M. Aldosari, F. Saeed, N. H. Barna, S. Rana, I. B. Arpinar, and N. Liu, “A survey of deep learning and foundation models for time series forecasting,” arXiv preprint arXiv:2401.13912, 2024.
9. S. Wang, Y. Du, X. Guo, B. Pan, Z. Qin, and L. Zhao, “Controllable data generation by deep learning: A review,” ACM Comput. Surv., mar 2024, Available at: https://doi.org/10.1145/3648609, accessed 02.04.2024.
10. “timeseries-generator”, Available at: https://github.com/NikeInc/timeseries-generator, accessed 18.05.2024.
11. “mockseries”, Available at: https://github.com/cyrilou242/mockseries, accessed 18.05.2024.
12. M. Dogariu, L.-D. S¸tefan, B. A. Boteanu, C. Lamba, B. Kim, and B. Ionescu, “Generation of realistic synthetic financial time-series,” ACM Transactions on Multimedia Computing, Communications, and Applications, vol. 18, no. 4, p. 1–27, 2022.
13. Y. Li, R. Yu, C. Shahabi, and Y. Liu, “Diffusion convolutional recurrent neural network: Data-driven traffic forecasting,” arXiv preprint arXiv:1707.01926, 2017.
14. P. J. Brockwell and R. A. Davis, Introduction to time series and forecasting. Springer, 2016.
15. P. W. Talbot, C. Rabiti, A. Alfonsi, C. Krome, M. R. Kunz, A. Epiney, C. Wang, and D. Mandelli, “Correlated synthetic time series generation for energy system simulations using fourier and arma signal processing,” International Journal of Energy Research, vol. 44, no. 10, p. 8144–8155, 2020.
16. “mockseries documentation.”, Available at: https://mockseries.catheu.tech/docs/tutorials/interaction-scalaroperations, accessed 19.05.2024.
17. К.В. Воронцов, “Машинное обучение. Прогнозирование временных рядов. К.В. Воронцов, Школа анализа данных, Яндекс”, 2020, Available at: https://youtu.be/Rmh6b96u6UU?si=o3I20WlIP5EKW2kw (in Russian), accessed 08.10.2023.
18. R. J. Hyndman and G. Athanasopoulos, Forecasting: Principles and practice, 3rd ed. OTexts, 2021.
19. “Python”, Available at: https://docs.python.org/3/tutorial/index.html, accessed 11.04.2024.
20. “Numpy”, Available at: https://numpy.org/doc/stable/, accessed 19.05.2024.
21. “matplotlib”, Available at: https://matplotlib.org/stable/, accessed 17.05.2024.
22. “scikit-learn”, Available at: https://scikitlearn.org/stable/index.html, accessed 19.05.2024.
23. “time-series-generator”, Available at: https://github.com/stilmmo/time-series-generator, accessed 01.06.2024.
24. Y. Li, R. Yu, C. Shahabi, and Y. Liu, “Diffusion convolutional recurrent neural network: Data-driven traffic forecasting,” in International Conference on Learning Representations (ICLR ’18), 2018.
Рецензия
Для цитирования:
КРОПАЧЕВА А.М., ГИРДЮК Д.В., ИОВ И.Л., ПЕРШИН А.Ю. Генерация временных рядов с пространственными взаимосвязями. Труды Института системного программирования РАН. 2024;36(4):143-154. https://doi.org/10.15514/ISPRAS-2024-36(4)-11
For citation:
KROPACHEVA A.M., GIRDYUK D.V., IOV I.L., PERSHIN A.Yu. Generation of Spatial Time Series Data. Proceedings of the Institute for System Programming of the RAS (Proceedings of ISP RAS). 2024;36(4):143-154. https://doi.org/10.15514/ISPRAS-2024-36(4)-11
Послать статью по эл. почте 