CVTA: attenzione temporale tra variabili per la previsione di serie temporali multivariate irregolari

Abstract degli autori

Le serie temporali multivariate campionate a intervalli irregolari ricorrono in molti ambiti reali, tra cui la sanità, la climatologia e i sistemi di monitoraggio su larga scala. Caratterizzate da osservazioni asincrone e dall’eterogeneità delle variabili, queste serie pongono notevoli difficoltà di previsione. In questo lavoro presentiamo Cross-Variable Temporal Attention (CVTA), un sistema di previsione a breve termine e a tempo continuo che apprende funzioni di previsione a partire da uno stato compatto e interpretabile, capace di riassumere le recenti dinamiche temporali tra le variabili. CVTA utilizza Variable-Conditioned Embeddings per proiettare variabili eterogenee in spazi latenti specifici per ciascuna variabile e applica l’attenzione temporale per cogliere, a partire da questo stato, le dipendenze tra variabili. Mostriamo inoltre che CVTA può essere integrato come modulo ausiliario nei modelli di previsione più avanzati esistenti mediante un modello dinamico di meta-decisione. Ampi esperimenti su diversi benchmark reali mostrano che CVTA raggiunge un’elevata accuratezza nelle previsioni a breve termine, consente un’inferenza online efficiente, migliora i modelli di previsione esistenti quando viene usato come modulo ausiliario e apprende schemi di attenzione che concordano bene con le conoscenze del settore.