Dec, 2023

时空线性：面向通用多元时间序列预测

PDF
TL;DR复杂多元时间序列预测中，通过简单的线性模型结构来整合时间嵌入和空间信息的 SpatioTemporal-Linear 框架优于深度学习技术中的线性模型和 Transformer 模型在多种观测和预测时长的数据集上的性能表现。
complicated multivariate time series forecastingdeep learning architectureslinear modelsspatial and temporal informationspatiotemporal-linear framework
发现论文，激发创造
  • 面向时空序列预测的机器学习：综述

    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

  • ST-MLP: 一种级联的时空线性框架，采用通道独立策略进行交通预测

    为了优化智能交通系统（ITS）中的交通流管理，及时准确的交通预测的关键性已引起了大量学术关注。在道路图结构中，时空图神经网络（STGNNs）因其适应性而受到赞赏。然而，目前关于 STGNNs 架构的研究往往更偏向于复杂设计，从而导致计算负担增加，但提高的准确性不明显。为了解决这个问题，我们提出了 ST-MLP，一种基于级联多层感知机（MLP）模块和线性层的简洁时空模型。具体来说，我们结合了时间信息、空间信息和预定义的图结构，并成功实现了通道独立策略 —— 这是一种在时间序列预测中有效的技术。实证结果表明，ST-MLP 在准确性和计算效率方面优于最先进的 STGNNs 和其他模型。我们的发现鼓励在交通预测领域进一步探索更简洁和有效的神经网络架构。

    Aug, 2023

  • 极简交通预测：仅需线性层

    STLinear 是一种能够优化智能交通系统和智慧城市愿景的交通预测模型，通过节点嵌入方法、时间序列分解和周期性学习解决了空间 - 时间图神经网络的计算复杂度、梯度问题和资源消耗性等挑战。通过实证研究，STLinear 在真实世界数据集上表现出色，不仅匹配或超过领先的空间 - 时间图神经网络的准确性，而且大幅减少了计算复杂度和计算开销（每个周期的 MACs 相比于 2023 年最先进的空间 - 时间图神经网络基线减少了 95% 以上），是传统模型的有效替代方案，对智能交通系统和智慧城市倡议的未来有深远的影响。

    Aug, 2023

  • STF：空间时间融合的轨迹预测

    本研究提出了一种集成的三维图形方法，将空间和时间信息融合在一起，并考虑跨时间的交互信息，以更准确地预测车辆轨迹。实验证明，该方法在长时间范围的轨迹预测中表现优于其他基线方法。

    Nov, 2023

  • 重新审视长期时间序列预测：对线性映射的研究

    本文探究了在长期时间序列预测中应用线性层的内在有效性，并提出了 RevIN 和 CI 这两种方法以及线性映射可以有效地捕捉时间序列的周期特征，在增加输入视野时通道具有不同周期的鲁棒性。

    May, 2023

  • OpenSTL: 时空预测学习的综合基准测试

    本文提出了 OpenSTL，这是深度学习领域中，一个比较全面的基准测试，用于对空间 - 时间预测学习方法进行分类和评估，鲜见较为系统的研究，论文还对时序模型和数据集因素进行了详细分析，并提出了一种可提高空间 - 时间预测学习性能的通用 MetaFormers 模型。

    Jun, 2023

  • MLPST: MLP 适用于时空预测的全部需求

    交通预测是一种典型的时空数据挖掘任务，对公共交通系统具有重要意义。为了实现高效、轻量和有效的时空预测方法，我们提出了一种直观而新颖的框架 MLPST，它是一个纯多层感知器架构，能够在要求仅为线性计算复杂度的同时，很好地捕捉空间和时间依赖关系。通过与先进基准模型的比较，广泛的实验证实了 MLPST 的出色效果和高效性，而在模型的准确率最优中，MLPST 实现了最好的时间和空间效率。

    Sep, 2023

  • 交通流量预测的时空转换网络

    本文提出了一种新的空间 - 时间变换网络的范例来改善长期交通预测的准确性，其中使用图神经网络和自注意机制来动态建模交通数据中的有向空间相关性，并利用跨多个时间步骤的长程双向时间依赖性。实验证明，该模型在 Real-world 数据集上预测交通流量方面的性能要好于现有工作。

    Jan, 2020

  • Mlinear：重新思考时间序列预测中的线性模型

    本文提出了一种基于线性模型的高效时间序列预测模型，其核心组成部分包括：（1）将单通道和多通道数据的不同语义进行集成，对数据进行联合预测；（2）使用一种新的损失函数来替代传统的 MSE 和 MAE 损失以达到更高的预测精度。在广泛使用的基准时间序列数据集上，我们的模型不仅性能优于当前的 SOTA，而且速度提高了 10 倍，并且比最新的 SOTA 模型参数更少。

    May, 2023

  • 基于图形的深度建模和稀疏时空数据实时预测

    提出了一个通用的时空数据建模、分析和预测框架，重点关注空间和时间都稀疏的数据。该框架由自激励点过程和图结构循环神经网络两个组成部分无缝耦合，并实现了更精准的实时预测，针对犯罪和交通预测具有良好的效果。

    Apr, 2018