Mar, 2023

一种结合移动边界、数据分解和深度学习的新方法，用于预测复杂时间序列

PDF
TL;DR本篇论文研究了如何使用单变量时间序列预测复杂时间序列（如印度季风降雨量）。作者提出了一种新的 Moving Front 方法来防止数据泄漏，并使用经验小波变换将季风降雨量分解为较简单的构成序列。所提出的 EWT-MF-LSTM 模型表现出良好的预测性能。
univariate time seriesmoving front methodempirical wavelet transformlong and short-term memory network architectureindian summer monsoon rainfall
发现论文，激发创造
  • 基于不同时域的增强风速混合变压器网络预测

    本文提出了一种新颖的智能混合风速预测模型（ICEEMDAN-TNF-MLPN-RECS），相较于现有技术在不同的时间范围内实现了更高的精确度，降低了电力系统工程师的工作量。

    Apr, 2022

  • 复兴多元时间序列预测：可学习分解与系列间依赖和系列内变异建模

    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

  • 可解释的时间序列分析多层小波分解网络

    本文提出了一种基于小波和神经网络的多级小波分解网络（mWDN），用于构建能 “感知” 时间序列频率的深度学习模型，并基于此模型提出了两个深度学习模型以应用于时间序列分类和预测，并在 40 个常用的 UCR 数据集和真实用户量数据集上进行了广泛实验验证，同时还提出了一种解释深度学习的方法。

    Jun, 2018

  • MultiWave: 基于小波分解的多尺度深层网络模型用于多变量时间序列预测

    本文提出了 MultiWave 框架，采用小波分解对多变量时间序列数据进行频率分组，并结合门控机制来提高各种深度学习模型的性能。多个实验表明，MultiWave 可以准确地识别信息丰富的频率带，提高模型性能，并提供有价值的应用见解。

    Jun, 2023

  • 发掘动态模式分解和深度学习在印度东北降雨预测中的能力

    使用 Dynamic Mode Decomposition (DMD) 和 Long Short-Term Memory (LSTM) 这两种数据驱动的方法，研究了印度东北地区 118 年来的日降雨数据，并进行了降雨预测的相对效果比较分析，结果显示 LSTM 在准确性方面优于 DMD，展现了 LSTM 捕捉数据中复杂非线性关系的能力，从而成为降雨预测的强大工具，并提出数据驱动方法和深度学习方法可以显著提高印度东北地区的降雨预测准确性，帮助减轻极端天气事件的影响并增强该地区对气候变化的适应能力。

    Sep, 2023

  • LSTM-MSNet: 利用多个季节性模式的相关时间序列集进行预测

    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

  • 带未来信息的掩码多步多元时间序列预测

    本文介绍了一种名为 MMM 的新型神经网络的自主学习框架，能够结合过去的时间信息和未来的已知信息进行时间序列预测，实验表明这种方法不仅胜过传统的基于样本或回归的方法，而且训练出的神经网络的推理速度与传统回归训练的时间序列预测模型相当，因此是一种比现有回归训练的时间序列预测模型更好的选择。

    Sep, 2022

  • 多尺度分解 MLP-Mixer 用于时序分析

    提出了一种名为 MSD-Mixer 的多尺度分解 MLP-Mixer 模型，该模型通过学习将时间序列分解成不同的组成部分，并在不同层级上表示这些组成部分，以处理多尺度时间模式和通道间的依赖关系。通过在各种实际数据集上进行广泛实验，包括长期和短期预测、插补、异常检测和分类等五个常见时间序列分析任务，证明了 MSD-Mixer 在性能上明显优于其他最先进的任务通用和任务特定方法。

    Oct, 2023

  • 使用 VMD-GARCH-LSTM 模型进行时间序列预测的非线性方法

    利用 VMD-LSTM-GARCH 模型，将时间序列分解为子模式，并从这些子模式中提取波动率信息，然后利用长期短期记忆网络对每个子模式进行预测，最后将所有子模式的预测结果进行聚合，通过集成计量经济学和人工智能方法，考虑时间序列的数字和波动率信息，该模型在时间序列预测中具有优越的性能。

    Oct, 2023

  • DEK-Forecaster: 融合 EMD-KNN 的新型深度学习模型用于交通预测

    本研究旨在使用深度序列方法来预测网络流量需求，其中包括基于经验模态分解（EMD）的噪声抑制、基于经验规则的异常值检测和基于 K - 最近邻的异常值缓解。

    Jun, 2023