AAAISep, 2018

基于记忆网络的多元时间序列预测解决方案

PDF
TL;DR提出了一种名为基于记忆的时序网络的深度学习模型，具有较强的可解释性，旨在解决传统方法无法捕捉复杂模式或在多重变量中融合信息的问题。
multivariate time series forecastingdeep learningrecurrent neural networkmemory time-series networkattention mechanism
发现论文，激发创造
  • 利用深度神经网络建模长短期时间模式

    本文提出了一个新的深度学习框架 —— Long- and Short-term Time-series network (LSTNet)， 用于解决多元时间序列预测等问题，并在复杂混合循环模式数据上实现了显著的性能提升。

    Mar, 2017

  • 用图神经网络连接点：多元时间序列预测

    该研究提出了一种面向多变量时间序列数据的图神经网络框架，采用图学习模块提取自动生成的变量之间的关系，同时运用新颖的混合传递和膨胀创新层捕捉时间序列中的空间和时间相关性，而这些模块被联合学习在一个端对端框架中。实验结果表明，该模型的性能在 3 个基准数据集上优于现有最先进方法，并在提供额外结构信息的两个交通数据集上实现了与其他方法相当的性能。

    May, 2020

  • 上下文神经网络：一种可扩展的多元模型用于时间序列预测

    该研究提出了一种具有线性复杂度的 Context Neural Network 方法，可以有效地为时间序列模型提供和其邻近时间序列相关的上下文见解，从而丰富预测模型，解决全局模型的局限性，并且对于大型数据集具有可计算性可扩展性。

    May, 2024

  • 树状记忆网络用于建模长期时间依赖关系

    提出了一种基于树形记忆网络的序列映射模型，用于捕获长期和短期依赖关系，并在飞行轨迹建模和行人轨迹建模等实际问题中实现了较好的性能。

    Mar, 2017

  • 时间序列预测的循环神经网络

    本文介绍了一种基于递归神经网络的时间序列预测框架，包括特征工程、特征重要性、点和区间预测以及预测评估，并使用 LSTM 和 GRU 网络进行了实证研究。

    Jan, 2019

  • 基于注意力机制的时间序列预测的模块化神经网络：可解释性和特征选择

    一篇研究时间序列的多变量预测的可解释神经网络模型，通过循环神经网络学习数据的时间依赖性，配合基于注意力的特征选择组件来选择最相关和抑制冗余的特征，通过独立训练选定特征的模块化深度网络，展示特征对结果的影响，从而使模型可解释。实验结果表明，该方法在时间序列的回归和分类任务中优于现有的可解释神经加性模型（NAM）及其变体，且达到与时间序列的非可解释方法 LSTM 和 XGBoost 相媲美的预测性能。

    Nov, 2023

  • 使用深度神经网络进行相关时间序列预测：结果概述

    本文提出两种深度学习模型来准确预测相关时间序列，第一个模型在每个时间序列上使用卷积神经网络，第二个模型通过在每个时间序列上添加自编码器，实现了多任务学习。在两个现实世界的相关时间序列数据集上，实验证明所提出的两种模型有效且优于大多数基线。

    Aug, 2018

  • 循环神经网络用于时序预测：现状和未来方向

    本文通过详实的实证研究和开源软件框架介绍了现有基于循环神经网络的预测模型，提出了针对这些模型使用的最佳实践和指导方针。研究发现，当数据集的时间序列具有同质季节模式时，RNN 能够直接模拟季节性；否则，建议事先对数据进行季节性去趋势处理。通过与 ETS 和 ARIMA 模型的比较，研究表明，实现了（半）自动化的 RNN 模型在许多情况下是可以竞争使用的。

    Sep, 2019

  • 融合近期和远期视野，实现更好的预测

    通过融合跨时间未来视图来改善多元时间序列预测的准确性，使用了多级表达法神经网络和卷积神经网络提取多层抽象表示。在三个实际数据集上的实验证明，与现有技术基准方法相比，我们的方法在 RMSE 度量上平均降低 4.59％，MAE 度量上平均降低 6.87％。

    Dec, 2019

  • MPPN: 多分辨率周期模式网络用于长期时间序列预测

    本文提出了一种新颖的深度学习网络结构 MPPN，用于长期时间序列预测，该结构采用多分辨率语义单元、多周期模式挖掘和通道自适应模块来捕捉时间序列的本质模式，并提出了基于熵的评估方法来提高预测精度。在九个真实世界基准测试中，实验结果表明，MPPN 显著优于现有的基于 Transformer、分解和采样的长期时间序列预测方法。

    Jun, 2023