跨变量依赖模型的现代卷积在多元时间序列预测中的应用
使用 Cross-Variable and Time Network (CVTN) 方法来解决多变量时间序列预测中的特征挖掘和避免过拟合的挑战,并在各种真实数据集上证实了其卓越性能。该方法强调时间序列预测的短期和长期性质、从历史和预测序列中挖掘特征以及跨变量和跨时间学习的整合。
Apr, 2024
多分辨率卷积和可变形卷积操作的自适应时变卷积网络(ATVCNet)在多变量时间序列的局部 / 全局时间依赖和变量间依赖建模方面取得了显著改进,通过不同扩张因子的卷积核扩大感受野以捕捉不同分辨率间的时间相关信息,并通过附加的偏移向量自适应调整采样位置,增强网络捕捉变量间相关特征的能力,通过提取和融合不同分辨率的时间序列特征,在时间序列中捕捉到了局部背景信息和全局模式,并且设计的变量间特征自适应提取模块捕捉了时间序列中不同变量间的相关性,实验结果表明,ATVCNet 相较于现有的 MLSTF 模型性能提高了近 63.4%。
May, 2024
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
该研究提出了一种面向多变量时间序列数据的图神经网络框架,采用图学习模块提取自动生成的变量之间的关系,同时运用新颖的混合传递和膨胀创新层捕捉时间序列中的空间和时间相关性,而这些模块被联合学习在一个端对端框架中。实验结果表明,该模型的性能在 3 个基准数据集上优于现有最先进方法,并在提供额外结构信息的两个交通数据集上实现了与其他方法相当的性能。
May, 2020
本文介绍了 ConvTimeNet,这是一个新型的深层分层全卷积网络,旨在作为时间序列分析的通用模型。该网络的关键设计从两个方面入手,旨在克服传统卷积网络的局限性。第一,我们提出了将时间序列自适应分割为子序列级的补丁,并将其作为基本建模单元,避免了与原始点级时间步长相关的稀疏语义。第二,我们设计了一个完全卷积块,巧妙地集成了深度卷积和点卷积操作,采用 Transformer 编码器中使用的先进建模风格,使得该主干网络能够有效捕捉全局序列和跨变量依赖,因为它不仅融入了 Transformer 架构的进展,还继承了卷积的固有属性。此外,通过灵活控制核大小,可以学习给定时间序列实例的多尺度表示。我们在时间序列预测和分类任务上进行了广泛的实验。结果在大多数情况下在有效性方面始终优于强基线。代码已公开发布。
Mar, 2024
本文提出了一种动态空时交叉图卷积神经网络(DSTCGCN)用于交通预测,结合了时间和空间维度的依赖关系,通过快速傅里叶变换(FFT)选择相关的时间步长,利用空间和时间连接功能模块建立动态的空时交叉依赖关系,实验结果表明,DSTCGCN 具有最先进的性能。
Jul, 2023
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
本文提出了一种名为位置可变卷积的新型条件卷积网络来建模波形序列的依赖关系,其使用具有不同系数的卷积核对不同的波形区间进行卷积操作,该系数根据条件声学特征(如 Mel - 频谱图)预测,基于该方法,我们设计了 LVCNet 进行波形生成,并将其应用于 Parallel WaveGAN 中来设计更高效的声码器,LJSpeech 数据集上的实验结果表明,与原始的 Parallel WaveGAN 相比,我们提出的模型在不降低声音质量的前提下实现了四倍的合成速度提高,从而验证了位置可变卷积的有效性。
Feb, 2021
通过使用浅层扩张卷积架构以捕捉长时间序列的周期性和趋势特征,我们提出了多尺度扩张卷积网络 (MSDCN) 的方法,并设计了具有指数增长扩张和不同卷积核大小的不同卷积块来在不同尺度上采样时间序列数据。此外,我们利用传统的自回归模型来捕捉数据内的线性关系。通过在八个具有挑战性的长期时间序列预测基准数据集上进行实验证明,我们的方法优于先前的最先进方法,并与几种强基准方法相比显示出显著的推理速度改进。
May, 2024
提出了基于变换的网络架构设计计划,包括傅里叶变换、奇异值分解、矩阵乘法和卷积块。这些变换机制在学习中具有增强的可接受范围,可以跨尺度融合特征。经过多次测试比较,基于该设计计划的 TLNets 在长期时间序列预测方面表现有明显的潜力。
May, 2023