Jun, 2023

MPPN: 多分辨率周期模式网络用于长期时间序列预测

PDF
TL;DR本文提出了一种新颖的深度学习网络结构 MPPN，用于长期时间序列预测，该结构采用多分辨率语义单元、多周期模式挖掘和通道自适应模块来捕捉时间序列的本质模式，并提出了基于熵的评估方法来提高预测精度。在九个真实世界基准测试中，实验结果表明，MPPN 显著优于现有的基于 Transformer、分解和采样的长期时间序列预测方法。
long-term time series forecastingdeep learningmulti-resolutionmultivariatepredictive accuracy
发现论文，激发创造
  • MPR-Net：多尺度模式再现引导的时间序列普适可解释预测

    该研究提出了一种时序预测模型，MPR-Net，通过卷积和反卷积操作，适应性地分解多尺度历史序列，并基于模式复制的先前知识构建了模式扩展预测方法，由于利用了时间依赖性，MPR-Net 不仅实现了线性时间复杂度，而且使预测过程可解释。该模型在短期和长期预测任务的十多个真实数据集上进行了充分实验，表现出最先进的预测性能以及良好的泛化性和鲁棒性能。

    Jul, 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

  • 利用深度神经网络建模长短期时间模式

    本文提出了一个新的深度学习框架 —— Long- and Short-term Time-series network (LSTNet)， 用于解决多元时间序列预测等问题，并在复杂混合循环模式数据上实现了显著的性能提升。

    Mar, 2017

  • 多元时间序列预测的时间模式关注

    本文提出了一种基于循环神经网络带有注意力机制和频域信息的多元时间序列预测方法，并在多项实际应用任务中实现了最佳性能。

    Sep, 2018

  • 学习近周期模式的连续隐式表示

    通过使用基于坐标的 MLP 神经网络进行单个图像优化的方法，以及设计输入特征扭曲模块和周期性引导补丁损失函数来处理全局一致性和本地变化，同时引入周期性提议模块来解决周期性检测错误，从而学习出了一种神经隐式表示近周期图案的方法，并在 500 多个包括建筑立面、饰带、墙纸、地面和蒙德里安图案的单平面和多平面场景中证明了其有效性。

    Aug, 2022

  • TPRNN：一种自顶向下的金字塔循环神经网络用于时间序列预测

    该论文提出了一种用于时间序列预测的自上而下的金字塔式递归神经网络 TPRNN，通过构建不同尺度的子序列并执行多尺度信息交互模块，模拟了时间序列中多尺度时间模式的完整建模，实验证明 TPRNN 在七个真实世界数据集上取得了领先水平，相对最佳基准线平均提高了 8.13% 的 MSE 精度。

    Dec, 2023

  • 多尺度变压器金字塔网络用于多变量时间序列预测

    使用多尺度 Transformer 的多变量时间序列预测中，引入了不变量嵌入技术用于捕捉短期时间依赖并将数据投射到高维空间，同时保留时间步和变量维度。进一步，提出了一种新颖的 Multi-scale Transformer 金字塔网络 (MTPNet), 用于有效地捕捉多个不受约束尺度上的时间依赖。在九个基准数据集上的广泛实验证明，提出的 MTPNet 优于最新的先进方法。

    Aug, 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

  • 多层次时间序列变换器用于长期预测

    提出了一种多分辨率时间序列变压器（MTST）框架，采用了多支架构来同时建模不同分辨率的多样化时间模式，通过相对位置编码提取不同尺度上的周期成分，与现有的时间序列变压器相比，在几个真实世界数据集上进行了广泛实验，证明了 MTST 在与最先进的预测技术的比较中的有效性。

    Nov, 2023

  • ProbPNN: 基于统计信息增强深度概率预测

    本文介绍了一种使用统计方法和神经网络相结合的深度学习方法来改进具有日历驱动周期性的时间序列数据的概率预测准确性的方法，并在两个数据集上进行了统计检验，结果表明该方法比其他深度学习预测方法具有更好的预测性能和较小的计算成本。

    Feb, 2023