带未来信息的掩码多步多元时间序列预测
本研究提出了一种基于分解的统一预测框架——LSTM-MSNet,用于预测具有多个季节性模式的时间序列数据。通过结合一系列最先进的多季节性分解技术,我们在来自不同数据源的数据集上进行了实验并展示了LSTM-MSNet的优势,同时也发现在单一应用程序的均质系列数据中,外生季节变量或没有季节性预处理是更好的选择。
Sep, 2019
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
本研究提出了 Masked Multi-Step Multivariate Probabilistic Forecasting (MMMPF)框架,通过结合过去的时间信息和未来的已知信息来进行概率预测,以训练任何能够生成输出序列的神经网络模型,用于短期和中期的多区域电力需求预测,并通过各种机器学习方法进行比较验证,结果表明提出的 MMMPF 框架不仅优于基于样本的方法,还优于现有时间序列预测模型。使用 MMMPF 训练的模型还可以生成期望分位数以捕获不确定性,并实现未来电网的概率规划。
Feb, 2023
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
多步预测在时间序列中,能够预测未来多个时间步长,是几乎所有时间领域的基础。本文通过表征最优预测策略的实例级方差,并提出了适用于多步预测的动态策略(DyStrat),在使用基于随机森林的分类器时,DyStrat相较于最佳的固定策略有着94%的时间上优势,并且均方误差平均降低了11%。我们的方法通常比当前方法的前1准确率提高三倍,并且表明DyStrat对于任何多步预测任务具有很好的泛化能力。
Feb, 2024
通过引入可学习的分解策略和双重注意力模块,该研究论文在多元时间序列预测方面取得了显著进展,并且提出的分解策略可以插入其他方法,大大提升了性能,MSE误差降低从11.87%到48.56%。
Feb, 2024
多元时间序列预测中,深度学习应用发现,单变量模型常常优于多元模型。为解决多元模型的不足,我们引入一种构建辅助时间序列(CATS)的方法,它类似于二维时态上下文注意机制,从原始时间序列(OTS)中生成辅助时间序列(ATS),以有效地表示和整合序列间关系进行预测。ATS的关键原则 - 连续性、稀疏性和变动性 - 通过不同模块进行了识别和实现。即使使用基本的两层MLP作为核心预测器,CATS也实现了最先进的水平,显著减少了复杂性和参数,相较于以往的多元模型,标志着它是一种高效且可迁移的MTSF解决方案。
Mar, 2024
ForecastGrapher是一个框架,将多变量时间序列预测重新构想为节点回归任务,通过生成自定义节点嵌入、构建自适应邻接矩阵和增强节点特征分布的表达能力,引入GFC-GNN模型来捕捉复杂的时间动态和跨序列的相关性,通过大量实验证明其在多变量时间序列预测领域超过了强基线和领先的已发表技术。
May, 2024
该研究解决了长期时间序列预测中的复杂依赖性和高计算需求的问题。通过引入一种多尺度遮蔽频率分解的新模型MMFNet,能够更有效地捕捉时间序列中的细粒度和粗粒度模式。实验结果表明,MMFNet在多变量预测任务中相比于现有方法可降低最高6%的均方误差,展现了显著的性能提升。
Oct, 2024