Apr, 2019

DSTP-RNN：双阶段、两阶段注意力机制的循环神经网络，用于长期和多变量时间序列预测

PDF
TL;DR本文提出了基于双阶段两阶段模型的循环神经网络以及基于深度空间注意机制的深度双阶段两阶段模型，用于解决长期多元时间序列预测的问题，并在能源、金融、环境和医药等领域的四个数据集上，与九种基准方法相比展现出更好的性能。
long-term predictionmultivariate time seriesattention-based recurrent neural networksdual-stage two-phase modeldeep spatial attention mechanism
发现论文，激发创造
  • 基于并行时空注意力的 TCN 模型用于多元时间序列预测

    该论文介绍了一种新的框架 PSTA-TCN，该框架将并行时空关注机制与轴承温网络相结合，从而达到了更长的记忆，并且使用并行计算大大缩短了训练时间，可以更好地用于多元时间序列预测任务。

    Mar, 2022

  • 多元时间序列预测的时间模式关注

    本文提出了一种基于循环神经网络带有注意力机制和频域信息的多元时间序列预测方法，并在多项实际应用任务中实现了最佳性能。

    Sep, 2018

  • 用于时间序列预测的双阶段注意力循环神经网络

    提出了一种双阶段基于注意力机制的递归神经网络（DA-RNN）模型，该模型使用输入和时间注意力机制，能够更好地捕获时间序列的长期时间依赖关系和选择相关的驱动因素以进行预测。实验证明，DA-RNN 模型比时序预测中的现有模型更有效。

    Apr, 2017

  • 多尺度时空循环网络用于交通流预测

    提出了一种多尺度空时循环神经网络 (MSSTRN) 用于交通流量预测，结合了两种不同的循环神经网络来捕捉不同时间窗口下的复杂空时信息，并通过自注意机制和自适应位置图卷积实现了空时依赖的同步捕捉，实验结果表明，该模型的预测准确性优于其他二十种基准方法。

    Oct, 2023

  • 双通道 RNN：适用于时域单声道语音分离的高效长序列建模

    本文提出了一种名为 DPRNN 的新型深度循环神经网络机制，它通过将输入序列分成较小的块并迭代应用区域内和区域间操作来模拟极长序列。实验结果表明，在使用 DPRNN 和在时域中应用样本级建模的 TasNet 中，相对于之前的最佳系统，使用比原来小 20 倍的模型在 WSJ0-2mix 上实现了新的最先进性能。

    Oct, 2019

  • 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

  • 交通流量预测的时空转换网络

    本文提出了一种新的空间 - 时间变换网络的范例来改善长期交通预测的准确性，其中使用图神经网络和自注意机制来动态建模交通数据中的有向空间相关性，并利用跨多个时间步骤的长程双向时间依赖性。实验证明，该模型在 Real-world 数据集上预测交通流量方面的性能要好于现有工作。

    Jan, 2020

  • TPRNN：一种自顶向下的金字塔循环神经网络用于时间序列预测

    该论文提出了一种用于时间序列预测的自上而下的金字塔式递归神经网络 TPRNN，通过构建不同尺度的子序列并执行多尺度信息交互模块，模拟了时间序列中多尺度时间模式的完整建模，实验证明 TPRNN 在七个真实世界数据集上取得了领先水平，相对最佳基准线平均提高了 8.13% 的 MSE 精度。

    Dec, 2023

  • 差分循环神经网络用于动作识别

    本文提出了一种差分门控 LSTM 神经网络，它采用导数来量化关键运动模式对时间序列数据的信息增益，从而提高动作识别的准确率。

    Apr, 2015

  • 基于位置的内容注意力的序列到序列循环神经网络用于时间序列预测

    本文提出了一种扩展注意力模型，用于捕捉时间序列中的 (伪) 周期，并且可以部署在任何 RNN 之上，已在多个单变量和多变量时间序列预测任务中成功实现了最佳性能。

    Mar, 2017