容量与鲁棒性的权衡：重新审视适用于多元时间序列预测的通道独立策略

Apr, 2023

容量与鲁棒性的权衡：重新审视适用于多元时间序列预测的通道独立策略

The Capacity and Robustness Trade-off: Revisiting the Channel Independent Strategy for Multivariate Time Series Forecasting

PDF

Lu Han, Han-Jia Ye, De-Chuan Zhan

TL;DR本文对多元时间序列数据的特征和 Channel Independent/Channel Dependent 策略进行了综合实证和理论分析，结果表明，CD 方法具有更高的容量，但常常缺乏精确预测分布漂移时间序列的鲁棒性，而 CI 方法则是在容量和鲁棒性之间进行权衡的。因此我们提出了 PRReg 方法来解决容量和鲁棒性之间的困境，并超越了 CI 策略，希望能提高研究人员对多元时间序列数据的认识并启发更好的预测模型的构建。

Abstract

multivariate time series data comprises various channels of variables. The multivariate forecasting models need to capture the relationship between the channels to accurately predict future values. However, recen

multivariate time series forecasting models channel independent strategy channel dependent strategy distributionally drifted time series

发现论文，激发创造

时间序列预测的通道独立策略是否最优？

本研究提出了一种名为 CSC 的简单而有效的策略，用于线性模型，它提高了 CI 策略的性能并减小了参数大小，同时大大缩短了训练时间，并且还提出了一种基于自聚类的深度模型方法 CR，以及对于使用相同频道的历史值作为输入来预测未来值的讨论。研究结果希望能够启发出超越 CD/CI 的新解决方案。

Oct, 2023

从相似到卓越：用于时间序列预测的通道聚类

时间序列预测中，通过引入一种能平衡个体通道处理和通道间关联的渠道策略，我们研发了可提升预测性能的通道聚类模块。在实验中，该模块通过提高长期和短期预测的性能分别平均提升 2.4% 和 7.2%，并使得主流时间序列预测模型能够进行零 - shot 预测，揭示通道间的内在时间序列模式和改善复杂时间序列模型的解释性。

Mar, 2024

MCformer：混合通道 Transformer 的多元时间序列预测

基于 Mixed Channels 策略，本文提出了 MCformer 作为一种混合通道特征的多变量时间序列预测模型，通过注意力机制有效捕捉了通道间相关信息从而在多变量时间序列预测任务中胜过了纯 CI 策略。

Mar, 2024

通道和序列的舞动：一种高效的基于注意力的多元时间序列预测方法

我们介绍了 CSformer 模型，它通过精心设计的两阶段自注意机制实现了序列特定和通道特定信息的提取，并引入了序列适配器和通道适配器，以促进各个维度之间的协同和相互增强，从而显著提高了多变量时间序列数据的特征提取能力。

Dec, 2023

基于互信息驱动的跨变量和时序建模的多元时间序列预测增强

通过引入 Cross-variable Decorrelation Aware feature Modeling (CDAM) 和 Temporal correlation Aware Modeling (TAM) 技术，本研究提出了一种新的框架，通过最小化通道之间的冗余信息并增强相关的相互信息来改进 Channel-mixing 方法，在综合测试中明显超过了现有模型。

Mar, 2024

重新思考多元时间序列预测的通道依赖性：从领先指标中学习

我们提出了一种名为 LIFT 的新方法，针对多元时间序列预测，它通过有效地估计领先指标并将领先指标的先行信息巧妙地应用于滞后变量，可以实现与任意时间序列预测方法的无缝合作，并在六个真实数据集上的大量实验证明，LIFT 在平均预测性能上提高了 5.5%。

Jan, 2024

C-Mamba: 增强通道关联的状态空间模型用于多变量时间序列预测

提出了一种名为 C-Mamba 的基于状态空间模型的多变量时间序列预测方法，通过混合通道和通道注意力增强的方式来捕捉跨通道依赖关系，获得了在七个真实世界时间序列数据集上的最先进性能，同时其混合和注意力策略在其他框架中表现出强大的泛化能力。

Jun, 2024

零售需求预测：多元时间序列的比较研究

准确预测零售行业的需求是财务绩效和供应链效率的重要决定因素。本研究通过将顾客需求的时间序列数据与宏观经济变量（如消费者价格指数（CPI）、消费者信心指数（ICS）和失业率）相结合，开发并比较了各种回归和机器学习模型，以准确预测零售需求。

Aug, 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

重新审视长期时间序列预测：对线性映射的研究

本文探究了在长期时间序列预测中应用线性层的内在有效性，并提出了 RevIN 和 CI 这两种方法以及线性映射可以有效地捕捉时间序列的周期特征，在增加输入视野时通道具有不同周期的鲁棒性。

May, 2023