透过纯模型掌握时间序列的核心规则

Aug, 2022

透过纯模型掌握时间序列的核心规则

Grasping Core Rules of Time Series through Pure Models

Gedi Liu, Yifeng Jiang, Yi Ouyang, Keyang Zhong, Yang Wang

TL;DR本文指出了时间序列尤其是长期预测不同于其他领域，不需要使用复杂的模型来获取时间序列变化的核心规律，借此提出了一种新的纯线性神经网络模型 PureTS。实验证明，该模型能够在 80％的长序列预测任务中取得最新的技术水平。

Abstract

time series underwent the transition from statistics to deep learning, as did many other machine learning fields. Although it appears that the accuracy has been increasing as the model is updated in a number of publicly available datasets, it typically only increases the scale by sever

time series long-term forecasting pure linear layers state-of-the-art lightweight

发现论文，激发创造

深度学习和基础模型在时间序列预测中的调查

深度学习在时间序列预测方面取得了显著优势，然而在大流行预测领域仍存在挑战，如训练数据不足和模型的可解释性。此文献综述了几种先进的建模技术，并提供了进一步研究的建议。

Jan, 2024

线性时间序列预测模型分析

线性模型在时间序列预测方面表现出色，特征归一化改善了模型泛化能力；分析了可使用这些线性模型体系结构表示的函数集合；证明了几种流行的线性模型变体等效于标准的无约束线性回归；每个模型可以重新解释为在适当增强的特征集上的无约束线性回归，因此在使用均方损失函数时具有闭式解；实验证明所检验模型的学习解几乎相同，进一步证明简洁的闭式解在 72％的测试情景中是更好的预测模型。

Mar, 2024

Mlinear：重新思考时间序列预测中的线性模型

本文提出了一种基于线性模型的高效时间序列预测模型，其核心组成部分包括：（1）将单通道和多通道数据的不同语义进行集成，对数据进行联合预测；（2）使用一种新的损失函数来替代传统的 MSE 和 MAE 损失以达到更高的预测精度。在广泛使用的基准时间序列数据集上，我们的模型不仅性能优于当前的 SOTA，而且速度提高了 10 倍，并且比最新的 SOTA 模型参数更少。

May, 2023

深度学习下重新思考时间序列预测：一步前行两步退后

本文介绍了 Transformer 在时间序列预测方面的应用，探讨了其局限性，并提出了一系列更好的性能和更少复杂度的其他模型。

Apr, 2023

深度预测因素

本研究提出了一种混合模型，将经典时间序列模型与基于深度神经网络的模型结合起来，通过全局深度组件实现可扩展性和数据驱动，同时通过本地经典模型处理不确定性。实验证明，该模型在数据效率、准确性和计算复杂性方面具有优势。

May, 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

深度时间序列预测的完美之路：尊重时间序列属性

本文从时间序列属性的角度，对三种现有的时间序列深度预测机制或方法进行了严谨的分析和改进，并提出一种新的预测网络 RTNet，具有显著的预测性能和更好的时间复杂度和内存使用率。

Jul, 2022

时间序列分析的深度学习

本文综述了深度学习在时间序列分析和预测领域的主要技术，这些新技术实现了针对时间序列的无监督特征学习，并且取得了不错的应用效果。

Jan, 2017

时间序列基础模型综述：利用大型语言模型进行时间序列表示的泛化

对时间序列进行分析的基础模型的研究和应用，包括从头开始预训练基础模型和适应大型语言基础模型进行时间序列分析的方法，并提供了一种 3E 分析框架和一个领域分类系统来帮助该领域的发展。

May, 2024

深度学习预测

本文提出了一种基于深度学习的时间序列预测方法，并在两个数据集上进行了评估。该方法包括数据准备、模型训练和评估等步骤，并进行可视化检查。实验结果表明，如果数据集中的时间序列重复出现固定模式，则可以使用单个时间序列来训练深度学习网络。然而，对于股票市场收盘价格等较少结构化的时间序列，网络表现与重复观察到的最后一个值的基准线类似。该方法的实现和实验是开源的。

Feb, 2023