使用基于 Transformer 的时空数据分析揭示商业趋势
本研究提出了 Traffic Transformer 模型,通过多头和掩码多头机制,动态地从数据中抽取时空特征,提高了交通预测性能,比现有技术表现更好。
Apr, 2021
该研究考虑使用生成语言模型分析语义轨迹痕迹并生成合成语义轨迹数据,从而实现在人类、动物、物品等运动轨迹方面进行未来走向预测,增强机器对行动的理解,从而进一步提高人机交互能力,并增强城市规划、个性化推荐引擎和商业战略等领域的应用。
Jun, 2023
提出了一种新颖的使用空间时间转换器 - LSTM 模型的 STST 方法来预测股票涨跌,该模型在 ACL18 和 KDD17 数据集上分别获得了 63.707%和 56.879%的准确率,并用于模拟交易,获得了不低于 S&P500 股票指数的 10.41%的最小收益率和 31.24%的最小年化收益率。
May, 2023
本文利用 Transformers 模型和情感分析结合了技术股票数据和头条新闻数据,以准确预测股票趋势。与 RNN 相比,我们的模型在预测时间窗口为 30 个工作日的情况下将方向准确性提高了近 18.63%。
May, 2023
提出了一种名为 GTrans 的时空模型,该模型将数据特征转换为图嵌入,并使用变压器模型预测时间动态,并能够对极端事件进行预测,可在社交网络,道路交通,物理和化学属性预测等领域应用。
Jan, 2022
利用 GraphTransformers 框架,在地理空间序列中进行轨迹预测,通过显式利用自动生成的图结构,可以显著改善地理空间轨迹预测。在 HurDAT 数据集上,我们的 GraphTransformer 方法明显优于基于 Transformer 的基准方法,用于基于 6 小时为间隔的飓风轨迹预测。
Oct, 2023
智能交通系统中,精确的交通预测是一项重要挑战。本研究提出了一种名为时空自适应嵌入的新型组件,可以通过使用传统的 Transformer 模型取得出色的结果,该模型在五个实际交通预测数据集上实现了最先进的性能,进一步实验证明时空自适应嵌入在交通预测中起着关键作用。
Aug, 2023
使用推特获得的大量时间序列数据,通过词嵌入技术和专门微调的语言模型进行后处理,捕捉了过去五年中 n-gram 频率、相似性、情感和主题分布的变化。构建在该数据之上的界面可以进行时间分析,用于检测和描述意义的转变,包括与趋势度量相补充的情感和主题的时间关联信息。我们提供了一个在线演示用于方便实验,还分享了代码和底层的聚合数据供以后的工作使用。本文还讨论了基于我们平台的三个案例研究,展示了它在时间语言分析方面的潜力。
Aug, 2023
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