Nov, 2022

HigeNet: AIOps 中长序列时间序列预测的高效建模

PDF
TL;DR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。
system operationdata-driven decisionsprediction modelmultivariate time-seriesefficiency
发现论文，激发创造
  • 提升变压器的效率，用于多元时间序列分类

    提出了一种基于模块裁剪和 Pareto 分析的方法，旨在研究模型效率与准确性及其复杂性之间的关系，以设计一种有效的网络架构来减少计算成本，实验结果在基准 MTS 数据集上验证了该方法的有效性。

    Mar, 2022

  • N-HiTS: 时间序列预测的神经层次插值

    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）。

    Jan, 2022

  • 基于层次 LSTM 和注意力机制的网络级短时旅行时间大数据分析

    本文通过使用 Apache Spark 和 Apache MXNet 等大数据分析引擎，利用 Caltrans PeMS 系统的大规模旅行时间数据集设计了一个 Hierarchical LSTM with Attention (HierLSTMat) 模型来预测整个路网的旅行时间。实验结果表明该模型可以在多个计算时间内成功预测未知拥堵情况，并获得了比流行数据科学和深度学习框架更高的效率。

    Jan, 2022

  • 全球思考，本地行动：高维时间序列预测的深度神经网络方法

    本文提出了一种能够全局认知并在本地进行校准的深度预测模型 DeepGlo, 它是一个混合模型，将全局矩阵因式分解模型与另一个能够捕捉每个时间序列及相关协变量的局部属性的时间网络相结合，证明了 DeepGlo 对于高维时间序列的预测要比其他方法更加准确。

    May, 2019

  • 利用图神经网络处理可变尺度时间序列

    该研究提出了一种基于神经网络的时间序列建模方法，通过信息编码向量实现在进行零样本迁移学习时对多元时间序列的鲁棒推断，解决了传统固定维度的局限性。

    Jul, 2020

  • 多尺度变压器金字塔网络用于多变量时间序列预测

    使用多尺度 Transformer 的多变量时间序列预测中，引入了不变量嵌入技术用于捕捉短期时间依赖并将数据投射到高维空间，同时保留时间步和变量维度。进一步，提出了一种新颖的 Multi-scale Transformer 金字塔网络 (MTPNet), 用于有效地捕捉多个不受约束尺度上的时间依赖。在九个基准数据集上的广泛实验证明，提出的 MTPNet 优于最新的先进方法。

    Aug, 2023

  • 多尺度自适应图神经网络用于多元时间序列预测

    本研究提出了一种名为 MAGNN 的多尺度自适应图神经网络方法，用于预测多元时间序列中的内部变量相关性和跨变量相关性，通过多尺度金字塔网络和自适应图学习模块以及尺度级融合模块能够更好地处理不同时间尺度和相关性，实验证明，MAGNN 在多个数据集上都优于现有的方法。

    Jan, 2022

  • HFN: 多元时间序列异常检测的异构特征网络

    提出了一种基于异构特征网络（HFN）的半监督异常检测框架，利用大量无标签的时间序列数据学习异构结构信息，使用注意力系数对检测到的异常进行说明，并在真实世界应用的四个传感器数据集上进行实验证明，其检测精度优于现有的基线方法。

    Nov, 2022

  • GEANN：用于多时域时间序列预测的可扩展图增强技术

    使用图神经网络作为数据增强来改善编码器，在冷启动产品的需求预测中取得明显的收益。

    Jul, 2023

  • 层次联合图学习与多变量时间序列预测

    我们提出了一种方法，将多变量信号表示为图中的节点，通过图神经网络和注意力机制来高效学习时间序列数据中的潜在关系，并建议使用分层信号分解来捕捉多个空间依赖关系，实验证明我们的模型在长期预测任务中优于现有模型，平均均方误差 (MSE) 减少了 23%。

    Nov, 2023