Nov, 2023

基于分解和神经常微分方程的长期时间序列预测

PDF
TL;DRLTSF-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.
long-term time series forecastinglinear-based ltsf modelstransformer-based approachesltsf-dnodeneural ordinary differential equation (node) framework
发现论文，激发创造
  • PDETime：从偏微分方程角度重新思考长期多元时间序列预测

    深度学习中的长期多变量时间序列预测 (LMTF) 模型的研究进展表明，基于历史数值和基于时间索引的模型在处理多变量时间序列时能更准确地预测未来值，而本文介绍的 PDETime 模型在实验中表现出优异的适应性和最先进的结果

    Feb, 2024

  • 基于动态图神经 ODE 的多元时间序列预测

    本文提出了一种使用动态图神经普通微分方程（MTGODE）来预测多元时间序列的连续模型，旨在解决离散神经网络在捕捉稳定和精确的时空动态时所遇到的困难。我们的实验证明了该方法从多种角度在五个时间序列基准数据集上的超越性。

    Feb, 2022

  • 单调神经常微分方程：累积数据的时间序列预测

    基于神经常微分方程模型的模态（MODE）可有效地捕捉和表示实际累积数据中的单调性和不规则性，并展现出卓越的预测性能。

    Sep, 2023

  • 基于 Transformer 的长期时间序列预测的系统综述

    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

  • 统一长期时间序列预测基准

    为了支持机器学习方法在预测时间序列数据方面的进展，我们提供了一个专门设计用于长期时间序列预测的全面数据集。我们将从不同的动态系统和真实记录中获取的一系列数据集进行了标准化，每个数据集都被分成了训练和测试轨迹，并设定了预定的回溯长度。通过对经典和先进的模型（即 LSTM，DeepAR，NLinear，N-Hits，PatchTST，和 LatentODE）进行广泛的基准分析，我们确定在不同场景中最有效的模型。我们的研究结果显示出这些模型之间有着有趣的性能比较，突显了模型效果与数据集有关的特性。值得注意的是，我们引入了一个定制的 latent NLinear 模型并且通过课程学习阶段提高了 DeepAR 的性能，它们在效果上始终优于其原始版本。

    Sep, 2023

  • 基于 N 维朗之万方程和神经常微分方程的预测

    通过结合 N 维 Langevin 方程和神经常微分方程，我们开发了一个数据驱动模型，用于系统建模和预测非平稳电力价格时间序列，并利用西班牙电力市场作为案例研究，证明了该模型在处理稳态和非平稳电力价格行为方面的全面性和稳健性。

    May, 2024

  • FDNet: 用于高效、鲁棒和实用的时间序列预测的 焦点分解网络

    本研究提出了 FDNet，一个面向高效、鲁棒、实际的时序预测模型，利用局部特征图从输入序列中提取精细的局部特征，实现了在没有全局粗略特征图的情况下的深度时序预测，并通过焦点输入序列分解方法解决了长序列输入问题。在六项现实世界基准测试中，FDNet 取得了竞争性的预测结果，并平均减少了 38.4％的预测 MSE 与其他 13 个基线相比。

    Jun, 2023

  • 不规则采样时间序列预测的功能潜在动力学

    通过在时间序列中仅从观察值学习简单曲线，我们提出了一种名为功能潜在动力学（FLD）的模型族，代替复杂的 ODE 模型，以捕捉不规则时间序列的连续动态，并在减少运行时间和内存开销的同时达到更好的性能。

    May, 2024

  • TFDNet：基于时频增强分解网络的长期时间序列预测

    提出了一种 Time-Frequency Enhanced Decomposed Network (TFDNet) 方法，用于从时频域捕捉长期潜在模式和时间周期性，通过多尺度的时频增强编码器支撑和两个独立的趋势和季节时频块来捕捉多分辨率中分解的趋势和季节成分的不同模式，实验证明 TFDNet 在效果和效率上优于现有方法。

    Aug, 2023

  • 潜时间神经常微分方程

    本文提出了一种独特的方法，通过考虑 ODE 求解器的结束时间 T 的分布来模拟 NODE 中的不确定性，从而提高了 NODE 模型的鲁棒性和不确定性建模能力，并提出了自适应的潜在时间 NODE (ALT-NODE)。

    Dec, 2021