AAAIJan, 2022

N-HiTS: 时间序列预测的神经层次插值

PDF
TL;DR本文提出 N-HiTS 模型，该模型可以通过采用新颖的分层插值和多速率数据采样技术解决了长时间预测中的波动性和计算复杂性问题，并证明了分层插值技术可以在存在光滑性时有效地逼近任意长的时间预测，在大规模数据集实验中表现优于现有的 Transformer 架构，平均准确率提高了近 20％，同时降低了一个数量级的计算时间（50 倍）。
neural forecastinglong-horizon forecastingn-hitshierarchical interpolationmulti-rate data sampling techniques
发现论文，激发创造
  • 大规模层次化工业需求时序预测与稀疏性结合

    HAILS 是一种新颖的概率层次模型，通过自适应地对不同分布假设的稀疏和密集时间序列进行建模，以遵循层次约束，从而实现层次结构中的精确和校准的概率预测。通过在实际需求预测数据集上进行评估，我们展示了我们方法的可扩展性和有效性。我们在一家大型化工制造公司部署 HAILS 进行产品需求预测应用，涵盖了成千上万个产品，结果显示预测准确性提高了 8.5％，稀疏时间序列的改进提高了 23％。增强的准确性和可扩展性使 HAILS 成为改进商业规划和客户体验的有价值工具。

    Jul, 2024

  • 深度学习中的预测：超越平均值的平均值性能

    准确评估预测模型对于确保可靠的预测至关重要。我们提出了一个新的框架，从多个角度评估单变量时间序列预测模型，比如一步预测和多步预测。通过与经典预测技术比较，我们展示了这一框架的优势，并发现 NHITS 在多步预测上表现最佳，同时在异常处理方面被 Theta 等方法超越。这些发现突显了基于方面的模型评估的重要性。

    Jun, 2024

  • 可解释的多元时间序列预测：神经傅里叶变换

    该研究提出了神经傅里叶变换 (NFT) 算法，通过结合多维傅里叶变换和时间卷积网络层来提高预测准确性和可解释性，经过实证验证在多个预测时间范围和回顾期上表现出卓越性能，显著提高多变量时间序列预测的水平。

    May, 2024

  • 优化时间序列预测架构：一种层次神经架构搜索方法

    我们提出了一种新颖的层次神经架构搜索方法，用于时间序列预测任务，在长期时间序列预测任务中，我们的方法可以搜索跨不同预测任务的轻量高性能预测架构。

    Jun, 2024

  • HigeNet: AIOps 中长序列时间序列预测的高效建模

    研究提出了一种高效的模型 HigeNet，用于预测长时间序列时间序列，能够有效地监控大量机器数据，具有低计算复杂度，能够与现有数据规模高度匹配，并通过实验展示其比其他五个最先进的模型更具高效性。

    Nov, 2022

  • PROFHIT：层次时间序列的概率鲁棒预测

    PROFHIT 提出了一种全概率层次预测模型，它通过引入 Distributional Coherency 正则化来从层次关系中学习完整预测分布，从而实现鲁棒和校准的预测，能够适应变化的层次一致性，并在广泛的数据集上获得了比其他方法高达 41-88％的准确性和校准性能提升，在数据缺失时仍能提供可靠的预测。

    Jun, 2022

  • 层次化生成预训练变压器用于时间序列预测

    提出了一种名为 GPHT 的新型生成预训练分层变压器架构，通过引入高级网络结构和自监督预训练策略来提高时间序列预测的准确性，并在充足的实验验证中证明其超越了传统预训练模型和监督模型，在传统长期预测任务中取得了良好的效果。

    Feb, 2024

  • HiMTM: 面向长期预测的分层多尺度遮蔽时间序列建模

    通过使用多尺度层次掩蔽时间序列建模方法，HiMTM 在提升多尺度特征提取能力的同时，通过实验证明其在时间序列预测准确性上具有明显优势，并在天然气需求预测领域得到了有效应用。

    Jan, 2024

  • 通过超网络对抗分布漂移，实现精准时序预测

    本文提出了一种基于超网络的框架，称为超时间序列预测（HTSF），它在分布漂移下可以实现准确的时间序列预测，并通过实验验证在 9 个基准测试中达到了最先进的性能。

    Feb, 2022

  • 基于隐式神经表示的时间序列连续建模：插值与预测

    该研究提出了一种使用隐式神经表示法的时间序列建模方法，能够有效捕捉时间序列的连续性，并提供对处理缺失数据、不规则采样或多个传感器的不对齐观测等常见问题的自然解决方案，并通过实验表明，在预测和填充任务中取得了最先进的性能，能够灵活处理各种具有挑战性的场景。

    Jun, 2023