Prévision des séries temporelles avec les réseaux neuronaux de graphe : au-delà des approches traditionnelles

Cet article de blog présente une nouvelle approche de la prévision des séries temporelles utilisant les réseaux neuronaux de graphe. Contrairement aux méthodes traditionnelles qui se concentrent uniquement sur les séries temporelles individuelles, cette approche tire parti de l'interconnexion des données au sein d'une structure de graphe (par exemple, à partir d'une base de données relationnelle). En représentant les séries temporelles comme des nœuds dans un graphe et en utilisant des techniques telles que les transformateurs de graphe, le modèle capture les relations entre différentes séries, ce qui conduit à des prévisions plus précises. L'article compare également les méthodes de prévision basées sur la régression et les méthodes génératives, démontrant la capacité supérieure de l'approche générative à capturer les détails à haute fréquence et à gérer les événements rares.