Feb, 2022

通过超网络对抗分布漂移，实现精准时序预测

PDF
TL;DR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。
time seriesforecastingdistribution shifthyper time-series forecastingframework
发现论文，激发创造
  • Dish-TS：缓解时间序列预测中分布偏移的通用范式

    本文提出 Dish-TS，一种用于缓解时序预测中分布漂移的神经范式，包括对输入和输出窗口进行分离学习和更有效的训练策略，实验证明其能够在多个数据集上带来平均超过 20% 的性能提升。

    Feb, 2023

  • 一种面向边缘计算的在线时间序列预测的新型高维计算框架

    将非线性低维时间序列数据映射到高维空间进行线性高维预测，以实现快速、高效和轻量级的在线时间序列预测，并使用新颖的联合训练框架适应时间序列分布的变化。TSF-HD 在短期和长期时间序列预测中表现出优越性能，推理延迟较小。

    Feb, 2024

  • 超 ST-Net：用于时空预测的超网络

    本文提出了一种基于 hypernetworks 的通用框架 HyperST-Net，用于深度学习的空间 - 时间数据，包括空间模块、时间模块和推理模块，通过在神经网络中设计不同类型的 HyperST 层，本文将其应用于三种不同的真实世界任务，并取得了显著的改进。

    Sep, 2018

  • AdaRNN：时间序列的自适应学习和预测

    本文提出自适应循环神经网络 (AdaRNN) 来解决时间序列的分布漂移问题，并通过两个新算法来建立自适应模型。AdaRNN 是一个通用的框架，它集成了灵活的分布距离。实验表明，AdaRNN 在人类活动识别、空气质量预测和金融分析方面的表现优于最新的方法，并且能够显著降低均方根误差 (RMSE) 并提高性能。

    Aug, 2021

  • 超树预测

    本文介绍了超树的概念，并提供了将基于树的模型应用于时间序列数据的新方向。与直接预测时间序列的传统决策树应用不同，超树旨在学习目标时间序列模型的参数。我们的框架利用了增强树的基于梯度的性质，使我们能够将超网络的概念扩展到超树，并对树模型引入时间序列归纳偏差。通过将目标时间序列模型的参数与特征相关联，超树解决了参数非平稳性的挑战，并使基于树的预测能够扩展到其初始训练范围之外。通过我们的研究，我们旨在探索超树在各种预测场景中的有效性，以及扩大梯度增强决策树在时间序列预测中的应用。

    May, 2024

  • 一种基于语言模型的挖掘时序数据分布变化的框架

    使用大型语言模型和数据源接口来探索和收集时间序列数据集的方法，扩大数据量以应对限制或缺乏关键属性的原始数据，有效补充现有数据集，尤其在数据分布变化方面。演示了通过实际示例证明了收集数据集的有效性，并展示了在这些数据集上进行微调的时间序列预测基础模型与未经微调的模型相比具有可比的性能。

    Jun, 2024

  • T-SaS：面向流数据的移动感知动态适应

    在没有任何先兆的情况下，本文旨在解决连续数据建模中突发分布转变的问题。具体而言，我们设计了一个名为 T-SaS 的贝叶斯框架，使用离散分布建模变量捕捉数据的突变。然后，我们设计了一个模型，通过学习判断在完整网络中应该激活哪些神经元来实现与该离散变量的动态网络选择进行自适应。通过一组稀疏网络的重叠，采用动态遮罩策略来支持不同分布之间的互相转移。大量实验证明我们的方法在准确检测分布转变边界以获取不同分布的片段并有效适应下游预测或分类任务方面优越。

    Sep, 2023

  • 智慧城市中的不变时间序列预测

    在智慧城市的变革环境中，将前沿的网络技术与时间序列预测相融合，为城市规划、可持续发展和经济增长提供了重要机遇。深度神经网络的进步显著提高了预测性能，然而，这些模型对于不同于训练数据分布的时间序列数据的泛化能力仍然存在挑战。我们提出了一种在不同城市环境下获得不变表示的解决方案，以取代仅依赖于城市环境之间的偶然相关性以提高模型的泛化能力。通过对合成数据和真实数据进行广泛实验，我们证明了我们的方法在应对变化城市环境的领域转移时优于传统的时间序列预测模型。我们的方法的有效性和鲁棒性可以推广到包括气候模型、城市规划和智慧城市资源管理在内的多个领域。

    May, 2024

  • 利用不变学习的时间序列预测方法进行超出分布泛化

    通过不变性学习，提出了 FOIL 框架，该框架能够增强时间序列预测模型在分布不同的情况下具有的广义能力，改进性能可达 85%。

    Jun, 2024

  • 使用可微分遗忘方法处理分布偏移下的时间序列预测

    本文提出了一种基于加权经验风险最小化的方法处理时间序列预测中的分布偏移问题，具有遗忘机制和基于梯度的学习方法，可提高优化效率和参数灵活性。

    Jul, 2022