交通予測のためのネットワーク-時系列モデルを用いた深層学習

時系列分析は、新興のネットワーク知能制御と管理機能にとって重要である。しかし、既存の統計ベースおよび浅い機械学習モデルは、多変量時系列の予測能力に限界を示してきた。ネットワークデータにおける複雑なトポロジー的相互依存性と複雑な時間的パターンは、新しいモデルアプローチを要求する。本論では、系統的な多変量時系列モデルの研究に基づき、同時に時間的パターンとネットワークトポロジーの相関を学習することを目指す2つの深層学習モデルを提示する。1つはカスタマイズされたネットワーク-時系列グラフ注意ネットワーク（GAT）モデル、もう1つはクラスタリング導入を備えたファインチューニング済みのマルチモーダル大規模言語モデル（LLM）である。両モデルは、すでに統計的方法を上回る性能を示すLSTMモデルと比較して検討される。実世界のネットワークデータセットでの広範な訓練と性能評価を通じて、LLMベースのモデルは全体的な予測と一般化性能で優れていることを示す一方、GATモデルは時系列と予測時間範囲全体での予測分散を低減する力を示す。より詳細な分析は、時系列と異なる予測時間範囲における相関の変動性と予測分布の乖離に関する重要な洞察も明らかにする。