Feb, 2023

DeepCAR方法：预测具有变化点的时间序列数据

HTML
PDF
TL;DR该论文基于深度学习提出了DeepAR框架，用于时间序列预测。针对DeepAR模型在时间序列中的拐点会降低其预测性能的缺点，本文提出了一种检测拐点并将其纳入模型的方法。实验证明，该方法在无拐点情况下与标准DeepAR表现相同，在有拐点情况下表现更好，并且批处理大小是处理DeepAR、Transformers和其他现代预测模型中变化点问题的一种有效而简单的方式。
发现论文，激发创造
  • 深度自回归循环网络的概率预测

    该论文提出DeepAR方法，通过基于大量相关时间序列训练自回归循环网络模型，实现准确的概率预测，并在多个真实预测数据集上展示了与现有方法相比约15％的准确度提升。

    Apr, 2017

  • 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

  • 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

  • 深度学习时间序列预测综述

    本文概述了深度学习建模在时序数据领域的应用，介绍了单步和多步预测中通用的编码器和解码器的设计，分析了每一种方法如何加入时间信息以提高预测结果。接下来，介绍了深度学习和统计模型的混合模型在时间序列预测中的最新进展，最后讨论了深度学习如何为决策支持提供便利。

    Apr, 2020

  • 时间序列预测是否真的需要深度学习模型？

    本文介绍了一种基于时间序列的深度学习方法及其与传统机器学习方法的比较结果，结果表明，输入变换可以提高传统GBRT模型的性能，使其优于所有评估的最新DNN模型。

    Jan, 2021

  • DeepTime: 面向非平稳时间序列预测的深度时间索引元学习

    本论文介绍了DeepTime，一个通过元学习培训的深度时间索引模型，它在非平稳时间序列预测方面具有显著的优势，并展示了与现有神经预测方法相比的竞争结果和高效性。

    Jul, 2022

  • 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

  • 统一长期时间序列预测基准

    为了支持机器学习方法在预测时间序列数据方面的进展，我们提供了一个专门设计用于长期时间序列预测的全面数据集。我们将从不同的动态系统和真实记录中获取的一系列数据集进行了标准化，每个数据集都被分成了训练和测试轨迹，并设定了预定的回溯长度。通过对经典和先进的模型（即LSTM，DeepAR，NLinear，N-Hits，PatchTST，和LatentODE）进行广泛的基准分析，我们确定在不同场景中最有效的模型。我们的研究结果显示出这些模型之间有着有趣的性能比较，突显了模型效果与数据集有关的特性。值得注意的是，我们引入了一个定制的latent NLinear模型并且通过课程学习阶段提高了DeepAR的性能，它们在效果上始终优于其原始版本。

    Sep, 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

  • 深度时间序列模型：综述与基准评估

    该论文通过对设计深度时间序列模型的研究，从基本模块和模型结构的角度，综述了时间序列分析任务的现有文献，并开发并发布 Time Series Library (TSLib) 作为深度时间序列模型的公正评估基准，对不同任务评估了 12 种先进的深度时间序列模型并提供了洞见。

    Jul, 2024