No One-Model-Fits-All: Uncovering Spatio-Temporal Forecasting Trade-offs with Graph Neural Networks and Foundation Models
Created by
Haebom
Category
Empty
저자
Ragini Gupta, Naman Raina, Bo Chen, Li Chen, Claudiu Danilov, Josh Eckhardt, Keyshla Bernard, Klara Nahrstedt
개요
본 논문은 환경 센싱을 위한 IoT 시스템에서 생성되는 시공간 데이터 기반 예측 모델의 성능을 분석한다. 특히, 센서 노드 밀도와 샘플링 빈도의 변화가 다양한 예측 모델(VAR, GRU, Transformer, STGNN, Chronos Moirai, TimesFM)의 성능에 미치는 영향을 실증적으로 연구한다. 실제 온도 데이터를 사용하여 모델을 평가하고, STGNN과 Chronos Moirai의 강점을 밝혀냈다.
시사점, 한계점
•
시사점:
◦
STGNN은 센서 배치가 희소하고 샘플링 빈도가 보통일 때 효과적이며, 공간적 상관관계를 활용하여 제한된 범위를 보완한다.
◦
TSFM은 높은 빈도에서 경쟁력이 있지만, 주변 센서의 공간적 범위가 줄어들면 성능이 저하된다.
◦
Chronos Moirai는 다변량 TSFM으로, 센서 간 종속성을 학습하여 모든 모델 중 가장 우수한 성능을 보인다.
◦
본 연구는 시공간 시스템에서 효율적인 예측 파이프라인 구축을 위한 실질적인 통찰력을 제공한다.
◦
모든 코드, 데이터셋, 로그는 재현 가능성을 위해 공개되어 있다.
•
한계점:
◦
논문에 명시된 한계점은 직접적으로 언급되지 않음. (논문의 요약 내용만으로는 알 수 없음)
