Jul, 2023

MPR-Net：多尺度模式再现引导的时间序列普适可解释预测

PDF
TL;DR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。
time series forecastingmulti-scale historical series patternsmpr-netpattern extension forecasting methodtemporal dependencies
发现论文，激发创造
  • MPPN: 多分辨率周期模式网络用于长期时间序列预测

    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。

    Jun, 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

  • 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

  • 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

  • TimeMixer：可分解的多尺度混合用于时间序列预测

    利用多尺度混合的方法进行时间序列预测，通过提取微观和宏观信息来解决复杂的时间变化，并通过 Past-Decomposable-Mixing (PDM) 和 Future-Multipredictor-Mixing (FMM) 块实现全面的多尺度系列的预测，同时在长期和短期预测任务中取得了一致的最先进性能，并具有良好的运行时效率。

    May, 2024

  • 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

  • MSHyper：多尺度超图变换器用于长程时间序列预测

    使用多尺度超图转换器（MSHyper）框架，提出了一种更全面的模式交互建模方法，通过引入多尺度超图和超边图来建模高阶模式交互，同时引入三阶段消息传递机制来聚合模式信息和学习不同尺度时间模式之间的交互强度。实验证明，MSHyper 在五个真实世界数据集上取得了最先进的性能，相对于最佳基线方法，在均方误差和平均绝对误差分别平均减少了 8.73% 和 7.15% 的预测误差。

    Jan, 2024

  • MSGNet：学习多尺度跨序列相关性用于多元时间序列预测

    本文介绍了 MSGNet，一种先进的深度学习模型，通过频域分析和自适应图卷积来捕捉多个时间尺度下不同时间序列之间变化的相互关系，进一步展示了 MSGNet 学习可解释的多尺度时间序列间相互关系的自动能力。

    Dec, 2023

  • 可解释的短期负荷预测：多尺度时间分解

    机器学习和深度学习的快速发展使得在电力系统的电力负荷预测等应用方面取得了广泛的成果。本文提出了一种可解释的深度学习方法，通过学习每个神经网络对输入时间特征进行关注的线性组合来实现。并且，我们提出了多尺度时序分解方法来处理复杂的时间模式。在比利时中央电网负荷数据集上进行了案例研究，结果表明所提出的模型相对于频繁应用的基准模型具有更好的准确性。此外，本方法不仅能展示特征的解释性，还能展示与其他基准方法相比的时间解释性，同时还能获得全局时间特征的解释性，这使得我们能够捕捉到负荷数据的整体模式、趋势和周期性，同时揭示了各种与时间相关的特征在形成最终输出中的重要性。

    Feb, 2024

  • 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