Dec, 2023

FCDNet: 频率引导的补充依赖建模用于多变量时间序列预测

PDF
TL;DRFCDNet 是一个简洁而有效的框架，通过两个轻量级依赖构造器，从多层频率模式中自适应地提取长期和短期依赖信息，从而克服了先前方法所面临的限制，并显著超过强基线，平均改进了 MAE 的 6.82%、RMSE 的 4.98% 和 MAPE 的 4.91%。
multivariate time-series forecastingdependency informationfcdnetfrequency-based perspectivereal-world datasets
发现论文，激发创造
  • 深度耦合网络的多变量时间序列预测

    为了实现准确的多元时间序列（MTS）预测，我们重新考虑了互信息的角度下的序列内部关系和序列之间的关系，并相应地构建了一个全面的关系学习机制，用于同时捕捉复杂的多级序列内部和序列间的耦合关系。基于该机制，我们提出了一种名为 DeepCN 的新型深度耦合网络，它由一个耦合机制、一个耦合变量表示模块和一个推理模块组成，分别用于同时探索时间序列数据中的多级序列内部和序列间关系、编码多样的变量模式，以及通过单个前向步骤进行预测。在七个真实数据集上进行的大量实验表明，我们提出的 DeepCN 相较于最先进的基准方法具有更出色的性能。

    Feb, 2024

  • 学习结构组件：面向模块化可解释的多元时间序列预测

    本文提出了一种模块化和可解释的预测框架 SCNN，可以分离时间序列数据中的结构和异构组成部分，并分别预测其演变。在三个实际数据集上的实验证明了 SCNN 可以胜过现有模型并具有更好的可追溯性和可预测性。

    May, 2023

  • 多尺度自适应图神经网络用于多元时间序列预测

    本研究提出了一种名为 MAGNN 的多尺度自适应图神经网络方法，用于预测多元时间序列中的内部变量相关性和跨变量相关性，通过多尺度金字塔网络和自适应图学习模块以及尺度级融合模块能够更好地处理不同时间尺度和相关性，实验证明，MAGNN 在多个数据集上都优于现有的方法。

    Jan, 2022

  • 结构知识驱动的持续多元时间序列预测

    通过结构知识驱动的连续学习框架 (SKI-CL)，在多元时间序列预测中，建立一个基于图结构学习的模型，并使用一致性正则化方案来优化预测目标，从而有效地处理不同阶段累积的多元时间序列数据，实现准确的预测和记忆依赖结构。

    Feb, 2024

  • 多元时间序列数据的全连接时空图

    提出了一种名为全连接时空图神经网络（FC-STGNN）的新方法，通过将传感器之间的相关性考虑为不同时间戳下的相关性，来全面建模多元时间序列数据中的时空依赖关系，并有效地捕捉和学习有效的表示，实验证明其在多个多元时间序列数据集上相对于其他方法具有有效性。

    Sep, 2023

  • 基于傅里叶变换的边缘可变图网络用于多元时间序列预测

    本文基于图神经网络与边变换的傅里叶图神经网络，提出一种适应性学习高分辨率变量依赖关系的方法，对多变量时间序列分析与预测具有较高的效率和准确性。

    Oct, 2022

  • FourierGNN：从纯图角度重新思考多元时间序列预测

    直接应用图网络并从纯图的角度重新审视多元时间序列（MTS）预测，定义了一种新的数据结构 —— 超变量图（hypervariate graph），以滑动窗口作为时空全连接图，从而统一考虑时空动态并重构经典 MTS 预测为在超变量图上的预测。通过在傅里叶空间执行矩阵乘法的傅里叶图神经网络（Fourier Graph Neural Network，FourierGNN）架构，实现了更低的复杂性、更高的效率和较少参数，从而取得了卓越的预测性能。

    Nov, 2023

  • 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

  • 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

  • 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