Spatio-Temporal Graph Convolutional Networks (ST-GCN) for predicting international trade

Resumen

Esta tesis explora la aplicación de Redes de Convolución Espacio-Temporales (STGCN) para predecir flujos de comercio internacional. Aprovechando el Índice de Complejidad Económica (ECI) y una matriz de adyacencia refinada, el estudio tiene como objetivo capturar tanto las dimensiones temporales como espaciales de los datos de comercio internacional. El ECI se calcula utilizando los datos de productos SITC desde 1962 hasta 2021, mientras que la matriz de adyacencia considera las distancias bilaterales entre las principales ciudades ponderadas por la participación de la población.

Nuestra investigación evalúa diferentes configuraciones de hiperparámetros y optimizadores, incluyendo AdamW y RMSprop, combinados con programadores de tasa de aprendizaje como StepLR y CosineAnnealingLR. Realizamos experimentos utilizando matrices de distancia regulares e invertidas exponencialmente para evaluar su impacto en el rendimiento del modelo. Los hallazgos revelan que la matriz de distancia invertida exponencialmente mejora significativamente la capacidad del modelo para capturar dependencias espacio-temporales, resultando en una menor pérdida de validación y una mayor precisión predictiva.

Esta tesis contribuye al avance de las aplicaciones de Redes Neuronales de Grafos (GNN) en la previsión económica. La integración de datos temporales y espaciales a través de formaciones de matrices innovadoras demuestra un marco robusto para predecir patrones complejos de comercio, ofreciendo valiosos conocimientos para los responsables de políticas y economistas en un mundo cada vez más interconectado.

ABSTRACT

This thesis explores the application of Spatio-Temporal Graph Convolutional Networks (ST-GCN) to predict international trade flows. By leveraging the Economic Complexity Index (ECI) and a refined adjacency matrix, the study aims to capture both temporal and spatial dimensions of international trade data. The ECI is computed using the SITC product data from 1962 to 2021, while the adjacency matrix considers bilateral distances between major cities weighted by population shares.

Our research evaluates different hyperparameter configurations and optimizers, including AdamW and RMSprop, combined with learning rate schedulers like StepLR and CosineAnnealingLR. We conducted experiments using both regular and exponentially inverted distance matrices to assess their impact on the model’s performance. The findings reveal that the exponentially inverted distance matrix significantly enhances the model’s ability to capture spatio-temporal dependencies, resulting in lower validation loss and improved predictive accuracy.

This thesis contributes to the advancement of Graph Neural Networks (GNN) applications in economic forecasting. The integration of temporal and spatial data through innovative matrix formations demonstrates a robust framework for predicting complex trade patterns, offering valuable insights for policymakers and economists in an increasingly interconnected world.