May, 2022

多维时间序列预测的自适应图卷积网络框架

PDF
TL;DR通过将自适应图卷积网络集成到各种空间时序预测模型中，以解决多维预测中维度之间的关系难以捕捉的问题，并进行了多个数据集的实验测试，证明我们的建议框架在模型中引入后，其准确率提高了约 10%。
long sequence time-series forecastingmulti-dimensional modelinformer modeladaptive graph neural networkspatio-temporal series prediction
发现论文，激发创造
  • Informer：用于长序列时间序列预测的高效 Transformer

    为了解决 Transformer 在长序列时间序列预测中的问题，我们设计了一种高效的基于 Transformer 的模型 Informer，其具有 ProbSparse 自注意机制和生成式解码器等特点，在四个大规模数据集上显著优于现有方法。

    Dec, 2020

  • 动态多图注意力实现长期时空预测

    本文研究多图神经网络在长期时空预测中的应用，提出了一种新的动态多图融合模块来描述不同图之间的节点相关性，并引入可训练权重张量来指示不同图中每个节点的重要性。实验证明，我们的方法在长期时空预测任务中显著提高了现有图神经网络模型的性能。

    Apr, 2022

  • 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

  • 实现长期时间序列预测：特征、模式和分布

    本论文讨论了长期时间序列预测 (LTTF) 中的 Transformer 模型，提出了一种有效的基于 Transformer 的模型 Conformer，采用编码器 - 解码器架构和正则化流派生的模块进一步提高信息利用率，并显式地建模时间序列数据中的互系列相关性和时间动态以加强下游自我关注机制，实验表明 Conformer 模型在 LTTF 中优于现有的方法，并可生成可靠的预测结果与不确定性量化。

    Jan, 2023

  • TLNets：用于长序列时间序列预测的转换学习网络

    提出了基于变换的网络架构设计计划，包括傅里叶变换、奇异值分解、矩阵乘法和卷积块。这些变换机制在学习中具有增强的可接受范围，可以跨尺度融合特征。经过多次测试比较，基于该设计计划的 TLNets 在长期时间序列预测方面表现有明显的潜力。

    May, 2023

  • 利用长短期记忆网络对高维混沌系统进行数据驱动的预测

    使用基于数据驱动的长短时记忆（LSTM）循环神经网络的预测方法，展示了该方法在高维混沌系统中的定量预测效果，并提出了一种新的具有混合结构的 LSTM 神经网络。与高斯过程相比，LSTM 在所有应用中都表现出更好的短期预测准确性，并且 MSM-LSTM 可以保证收敛到不变措施。

    Feb, 2018

  • 基于序列预测的混合型配电线路长期负荷预测方法

    本文提出了一种基于序列预测的混合建模方法，可以无缝地整合分布式馈线不同层次的信息，成功解决了标准递归神经网络中出现的梯度消失和梯度爆炸问题，并在实际案例中展示出卓越的性能和实用性。

    Dec, 2018

  • 使用 CNN 和 Transformer 进行金融时间序列预测

    本文提出了通过使用卷积神经网络和 Transformers 来捕捉时间序列中的短期和长期依赖，并用于预测股票价格变化，与传统的统计和深度学习方法相比，实验结果表明该方法取得了成功。

    Apr, 2023

  • 改善年龄预测：利用基于 LSTM 的动态预测增强多变量时间序列分析

    通过数据增强和验证框架结合长短期记忆网络来丰富神经成像数据集，从而提高深度学习模型的性能，克服神经成像数据集规模有限的挑战。

    Dec, 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