可解释并行 RCNN 以及新颖的特征表示在时序预测中的应用

May, 2023

可解释并行 RCNN 以及新颖的特征表示在时序预测中的应用

Explainable Parallel RCNN with Novel Feature Representation for Time Series Forecasting

Jimeng Shi, Rukmangadh Myana, Vitalii Stebliankin, Azam Shirali, Giri Narasimhan

TL;DR本研究提出了一种新的特征表示策略 - shifting，利用并列的 RNN 和 CNN 框架进行分层，并采用跳过连接技术来提高模型性能，以解决时间序列预测中存在的历史和未来数据分离的限制，同时使用 Grad-CAM 算法提高模型的可解释性。

Abstract

Accurate time series forecasting is a fundamental challenge in data science. It is often affected by external covariates such as weather or human intervention, which in many applications, may be predicted with re

time series forecasting external covariates autoregressive models deep learning interpretability

发现论文，激发创造

使用深度神经网络进行相关时间序列预测：结果概述

本文提出两种深度学习模型来准确预测相关时间序列，第一个模型在每个时间序列上使用卷积神经网络，第二个模型通过在每个时间序列上添加自编码器，实现了多任务学习。在两个现实世界的相关时间序列数据集上，实验证明所提出的两种模型有效且优于大多数基线。

Aug, 2018

融合近期和远期视野，实现更好的预测

通过融合跨时间未来视图来改善多元时间序列预测的准确性，使用了多级表达法神经网络和卷积神经网络提取多层抽象表示。在三个实际数据集上的实验证明，与现有技术基准方法相比，我们的方法在 RMSE 度量上平均降低 4.59％，MAE 度量上平均降低 6.87％。

Dec, 2019

基于时序卷积神经网络的概率预测

本研究基于卷积神经网络提出了一种概率预测框架，可用于多个相关时间序列的预测，并可在参数和非参数设置下估计概率密度。该方法通过堆叠残差块实现了序列的时间依赖关系，并通过表示学习捕获了季节性、假日效应等复杂模式，实验证明该框架在精度和效率方面均优于当前其他方法。

Jun, 2019

基于并行时空注意力的 TCN 模型用于多元时间序列预测

该论文介绍了一种新的框架 PSTA-TCN，该框架将并行时空关注机制与轴承温网络相结合，从而达到了更长的记忆，并且使用并行计算大大缩短了训练时间，可以更好地用于多元时间序列预测任务。

Mar, 2022

时间序列预测的循环神经网络

本文介绍了一种基于递归神经网络的时间序列预测框架，包括特征工程、特征重要性、点和区间预测以及预测评估，并使用 LSTM 和 GRU 网络进行了实证研究。

Jan, 2019

基于卷积神经网络的条件时间序列预测

本文提出了一种基于改进的深度卷积 WaveNet 框架的条件时间序列预测方法，该方法通过多个卷积滤波器并行应用于各个时间序列来完成条件操作，从而加速数据处理和利用多元时间序列之间的相关性，可以有效地学习和预测金融时间序列，且性能优于常用的自回归模型和长短期记忆网络。

Mar, 2017

用于因果关系 3D CNN 的递归卷积

本文提出了一种新的 3D CNN 架构，即循环卷积网络，它通过递归来在每个网络层捕获帧之间的时间上下文，可以产生因果性输出，提供灵活的时间推理，同时保留时间分辨率，适用于在线和视频序列到序列建模等任务。

Nov, 2018

基于注意力机制的时间序列预测的模块化神经网络：可解释性和特征选择

一篇研究时间序列的多变量预测的可解释神经网络模型，通过循环神经网络学习数据的时间依赖性，配合基于注意力的特征选择组件来选择最相关和抑制冗余的特征，通过独立训练选定特征的模块化深度网络，展示特征对结果的影响，从而使模型可解释。实验结果表明，该方法在时间序列的回归和分类任务中优于现有的可解释神经加性模型（NAM）及其变体，且达到与时间序列的非可解释方法 LSTM 和 XGBoost 相媲美的预测性能。

Nov, 2023

基于记忆网络的多元时间序列预测解决方案

提出了一种名为基于记忆的时序网络的深度学习模型，具有较强的可解释性，旨在解决传统方法无法捕捉复杂模式或在多重变量中融合信息的问题。

Sep, 2018

使用 CNN 和 Transformer 进行金融时间序列预测

本文提出了通过使用卷积神经网络和 Transformers 来捕捉时间序列中的短期和长期依赖，并用于预测股票价格变化，与传统的统计和深度学习方法相比，实验结果表明该方法取得了成功。

Apr, 2023