Jun, 2023

MultiWave: 基于小波分解的多尺度深层网络模型用于多变量时间序列预测

PDF
TL;DR本文提出了 MultiWave 框架，采用小波分解对多变量时间序列数据进行频率分组，并结合门控机制来提高各种深度学习模型的性能。多个实验表明，MultiWave 可以准确地识别信息丰富的频率带，提高模型性能，并提供有价值的应用见解。
multivariate time series datadeep learning modelsmultiwavewaveletsfrequency bands
发现论文，激发创造
  • 可解释的时间序列分析多层小波分解网络

    本文提出了一种基于小波和神经网络的多级小波分解网络（mWDN），用于构建能 “感知” 时间序列频率的深度学习模型，并基于此模型提出了两个深度学习模型以应用于时间序列分类和预测，并在 40 个常用的 UCR 数据集和真实用户量数据集上进行了广泛实验验证，同时还提出了一种解释深度学习的方法。

    Jun, 2018

  • WEITS：一种用于可解释时间序列预测的小波增强残差框架

    通过多层小波分解和正反向残差结构，WEITS 将频率分析引入高度深度学习框架，拥有较强的表示能力和统计解释能力，实验证明其在时间序列预测方面具有竞争力的性能和高计算效率的额外优势。

    May, 2024

  • AdaWaveNet: 自适应小波网络用于时间序列分析

    此研究论文介绍了自适应小波网络（AdaWaveNet），它是一种新颖的方法，采用自适应小波变换对非平稳时间序列数据进行多尺度分析。AdaWaveNet 设计了基于 lifting scheme 的小波分解和构造机制，提供了增强的灵活性和鲁棒性，在预测、填充和高清重建等任务上表现出了优越的效果，展示了其在各种实际应用中的潜力。

    May, 2024

  • 探究时空多频分析用于实现高保真度和时空一致性的视频预测

    本文提出基于多级小波分析的视频预测网络，以应对图像失真和时间不一致等现有预测模型所存在的问题，大量实验结果表明，本方法相较其他最先进的方法，具有更高的保真度和时间一致性。

    Feb, 2020

  • D-PAD: 深浅多频模式分解用于时间序列预测

    本文提出了 D-PAD，一种深浅多频模式解缠深度学习神经网络，通过引入多组分分解块（MCD block）将时间序列分解为不同频率范围的分量，进而通过分解 - 重构 - 分解（D-R-D）模块渐进性地提取混合在分量中的频率信息，并利用交互与融合（IF）模块进一步分析分量，通过对七个真实数据集的广泛实验表明，D-PAD 达到了最先进的性能，平均 MSE 和 MAE 分别优于最佳基准线 9.48％和 7.15％。

    Mar, 2024

  • 深度自适应小波网络

    本文提出一种采用多分辨率分析和波形表示的、深度神经网络的设计方法，以提升卷积神经网络的可解释性，并在图像分类任务中取得竞争性的准确性。

    Dec, 2019

  • 多尺度分解 MLP-Mixer 用于时序分析

    提出了一种名为 MSD-Mixer 的多尺度分解 MLP-Mixer 模型，该模型通过学习将时间序列分解成不同的组成部分，并在不同层级上表示这些组成部分，以处理多尺度时间模式和通道间的依赖关系。通过在各种实际数据集上进行广泛实验，包括长期和短期预测、插补、异常检测和分类等五个常见时间序列分析任务，证明了 MSD-Mixer 在性能上明显优于其他最先进的任务通用和任务特定方法。

    Oct, 2023

  • WaveMix：一种用于图像分析的资源高效神经网络

    WaveMix 是一种用于计算机视觉的新型神经体系结构，它具有资源效率，可推广性和可扩展性，使用多级二维离散小波变换（2D-DWT）在 WaveMix 块中，可以比现有技术更快、更好地实现分割和分类。

    May, 2022

  • 一种结合移动边界、数据分解和深度学习的新方法，用于预测复杂时间序列

    本篇论文研究了如何使用单变量时间序列预测复杂时间序列（如印度季风降雨量）。作者提出了一种新的 Moving Front 方法来防止数据泄漏，并使用经验小波变换将季风降雨量分解为较简单的构成序列。所提出的 EWT-MF-LSTM 模型表现出良好的预测性能。

    Mar, 2023

  • 利用无降采样小波包特征和 Transformer 模型进行时间序列预测

    该研究综合了小波分析技术与机器学习方法，针对单变量时间序列预测提出了三个主要贡献：考虑使用带有不同消失矩的 Daubechies 小波作为非时态和时态预测方法的输入特征；比较非分解小波变换和非分解小波包变换在计算这些特征时的使用情况；在更广泛的预测方法上评估这些小波特征的应用，包括时态和非时态模型以及统计学和基于深度学习的方法，结果表明在一步向前预测的所有非时态方法中，用小波特征替换高阶滞后特征具有显著的益处，在长期预测的时态深度学习模型中，将小波特征用作输入则存在一定的效益。

    Mar, 2024