时间序列的序列到序列建模基础
深度学习在时间序列预测方面取得了显著优势,然而在大流行预测领域仍存在挑战,如训练数据不足和模型的可解释性。此文献综述了几种先进的建模技术,并提供了进一步研究的建议。
Jan, 2024
本文提出了一种基于深度学习的时间序列预测方法,并在两个数据集上进行了评估。该方法包括数据准备、模型训练和评估等步骤,并进行可视化检查。实验结果表明,如果数据集中的时间序列重复出现固定模式,则可以使用单个时间序列来训练深度学习网络。然而,对于股票市场收盘价格等较少结构化的时间序列,网络表现与重复观察到的最后一个值的基准线类似。该方法的实现和实验是开源的。
Feb, 2023
对时间序列进行分析的基础模型的研究和应用,包括从头开始预训练基础模型和适应大型语言基础模型进行时间序列分析的方法,并提供了一种 3E 分析框架和一个领域分类系统来帮助该领域的发展。
May, 2024
时间序列推理是语言模型研究中一个有影响力但尚未充分发展的方向,本研究提出了一个新颖的时间序列推理评估框架,研究了三种推理形式的表现,并发现语言模型在时间序列推理方面仍存在局限性。
Apr, 2024
TimeGPT 是时间序列的首个基础模型,能够生成准确的预测结果,我们通过评估其与统计学、机器学习和深度学习方法的性能对比发现,TimeGPT 在性能、效率和简洁性方面表现出色,研究结果显示了人工智能其他领域的洞见能够有效应用于时间序列分析,大规模时间序列模型为普遍获取精确预测和降低不确定性提供了激动人心的机会。
Oct, 2023
图形化深度学习方法在处理相关时间序列集合方面已成为流行工具,提出了一种全面的方法论框架,用于形式化预测问题并提供基于图形的预测模型的设计原则和性能评估方法,同时介绍领域概述、设计指南和未来研究方向的综述。
Oct, 2023