DeepTSF: 无代码的时间序列预测机器学习运营
将非线性低维时间序列数据映射到高维空间进行线性高维预测,以实现快速、高效和轻量级的在线时间序列预测,并使用新颖的联合训练框架适应时间序列分布的变化。TSF-HD 在短期和长期时间序列预测中表现出优越性能,推理延迟较小。
Feb, 2024
深度学习在时间序列预测方面取得了显著进展,其中 Transformer 架构在处理长序列的语义相关性方面表现出色。研究综述了 Transformer 架构及其改进方法在长期时间序列预测任务中的应用,总结了公开的长期时间序列预测数据集和评估指标,并提供了关于在时间序列分析中有效训练 transformers 的最佳实践和技术,最后提出了该领域的潜在研究方向。
Oct, 2023
auto-sktime 是一个自动化的时间序列预测框架,利用自动机器学习技术来自动构建整个预测流程,针对时间序列数据提出了三项改进,实验结果显示了它的有效性和效率。
Dec, 2023
LTSF-DNODE is proposed as a solution to the limitations of Linear-based LTSF models and Transformer-based approaches, showing better performance on various real-world datasets and exploring the impacts of regularization in the NODE framework for each dataset.
Nov, 2023
为了有效地进行时间序列预测,研究人员提出了 ProbTS 工具包,通过整合和比较两个不同分支的方法,揭示了它们的特点、优势、弱点和需要进一步探索的领域,从而为时间序列预测的更有效研究提供了新的方向。
Oct, 2023
通过对时空序列预测 (STSF) 的三个子类别的对比和对 STSF 中两个主要挑战的综述,提供了一种机器学习解决方案,并为 STSF 领域提出了一些潜在的研究方向。
Aug, 2018
本研究介绍了 TSFEDL 库,该库编译了 20 种时序特征提取和预测的先进方法,利用卷积神经网络和循环神经网络用于数据挖掘任务,结果表明该 Python 库有很高的实用价值。
Jun, 2022
该论文提出了一种线性复杂度的 U-Net 时间序列预测模型(UnetTSF),采用了 U-Net 架构,并首次使用 FPN 技术从时间序列数据中提取特征,替代了将时间序列数据分解为趋势和季节项的方法,同时设计了适用于时间序列数据的融合结构。在 8 个开源数据集上的测试中,相比最佳线性模型 DLiner,在 32 个测试项目中有 31 个获得最佳结果。平均 mse 减少了 10.1%,平均 mae 减少了 9.1%。与复杂的基于 Transformer 的 PatchTST 相比,UnetTSF 在 32 个测试项目中获得了 9 个 mse 的最优结果和 15 个 mae 的最优结果。
Jan, 2024
通过简单的线性模型实验发现在长期时间序列预测任务中,线性模型 LTSF-Linear 的效果优于复杂的基于 Transformer 方法,这引发人们对该任务以及其他时间序列分析任务中基于 Transformer 方法的有效性的反思。
May, 2022