Oct, 2023

ProNet：面向多时间跨度时间序列预测的渐进神经网络

PDF
TL;DR介绍了一种名为 ProNet 的全新深度学习方法，专为多时间段时间序列预测而设计，自适应地融合了自回归（AR）和非自回归（NAR）策略。通过将预测时间段划分为若干段，采用非自回归策略对每一段中最关键的步骤进行预测，而对剩余的步骤采用自回归策略。该方法使用潜在变量进行分段，通过变分推断有效地捕捉了各个时间步骤的重要性。相较于自回归模型，ProNet 具有明显优势，可减少自回归迭代次数，预测速度更快，减少误差累积。与非自回归模型相比，ProNet 考虑了输出空间中预测的相互依赖关系，提高了预测准确性。对四个大型数据集进行的全面评估和消融研究表明，ProNet 具有良好的效果，其在准确性和预测速度上优于最先进的自回归和非自回归预测模型。
pronetdeep learningmulti-horizon time series forecastingautoregressivenon-autoregressive
发现论文，激发创造
  • AMLNet：非自回归多时标时间序列预测的对抗求知神经网络

    AMLNet 是一种创新的非自回归模型，通过在线知识蒸馏方法实现真实的预测，结合了自回归和非自回归模型的优势，并通过两个关键机制实现知识传递。大量的实验表明，AMLNet 优于传统的自回归和非自回归模型，提供了一个提高准确性和加快计算速度的多时间段时间序列预测的有希望途径。

    Oct, 2023

  • SutraNets：用于长序列概率预测的子序列自回归网络

    提出了一种名为 SutraNets 的新方法，用于神经概率预测长序列时间序列。SutraNets 使用自回归生成模型将长序列的可能性因子分解为条件概率的乘积。在生成长序列时，大多数自回归方法会遭受有害错误积累以及对建模长距离依赖关系的挑战。SutraNets 将长期的单变量预测视为低频子序列上的多元预测。自回归方式在时间和子序列之间进行，以确保一致的多元（因此也是高频的单变量）输出。由于子序列可以使用较少的步骤生成，SutraNets 有效减少了错误积累和信号路径距离。实验证明 SutraNets 在六个真实世界数据集上显著提高了预测准确性，包括在变化子序列数量以及加大底层序列模型的深度和宽度的情况下。

    Dec, 2023

  • 深度自回归循环网络的概率预测

    该论文提出 DeepAR 方法，通过基于大量相关时间序列训练自回归循环网络模型，实现准确的概率预测，并在多个真实预测数据集上展示了与现有方法相比约 15％的准确度提升。

    Apr, 2017

  • 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

  • DANLIP：用于局部可解释概率预测的深度自回归网络

    本文提出了模型，这是一种基于深度学习的概率时间序列预测结构，具有内在可解释性。我们通过多个数据集和性能度量进行实验，并经验证明，我们的模型不仅具有可解释性，而且还提供了与最先进的概率时间序列预测方法相当的性能。此外，我们证明了解释感兴趣的随机过程的参数可以为多个应用领域提供有用的见解。

    Jan, 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

  • 用于时间序列预测的双阶段注意力循环神经网络

    提出了一种双阶段基于注意力机制的递归神经网络（DA-RNN）模型，该模型使用输入和时间注意力机制，能够更好地捕获时间序列的长期时间依赖关系和选择相关的驱动因素以进行预测。实验证明，DA-RNN 模型比时序预测中的现有模型更有效。

    Apr, 2017

  • 基于时序卷积神经网络的概率预测

    本研究基于卷积神经网络提出了一种概率预测框架，可用于多个相关时间序列的预测，并可在参数和非参数设置下估计概率密度。该方法通过堆叠残差块实现了序列的时间依赖关系，并通过表示学习捕获了季节性、假日效应等复杂模式，实验证明该框架在精度和效率方面均优于当前其他方法。

    Jun, 2019

  • HYPRO：一种混合归一化概率模型用于事件序列的长期预测

    我们提出了一种名为 HYPRO 的混合归一化概率模型，通过学习自编码和能量函数来进行长时间序列预测，并通过多种现实数据集的实验表明，在对未来事件进行长时间预测方面，我们的模型具有显著优势。

    Oct, 2022

  • 借助原型实现可解释和可控的序列学习

    提出了 ProSeNet，该方法利用几个基准示例作为原型，从案例推理中获取自然解释，可以提供高准确度和可解释性，可用于各种应用领域中的序列建模和预测诊断。

    Jul, 2019