Mar, 2024

时序建模的最新加权时间分段集成

PDF
TL;DR时间序列建模在工业过程中面临处理复杂、多方面且不断演化的数据特征的挑战。介绍了一种新的基于块的多步骤预测方法 ReWTS（称为 “roots”），可以捕捉多样动态的相互作用并提高预测性能。在挑战传统方法的同时，通过将训练数据分段并为每个段训练一个模型，实现模型的特殊化。此外，在推断过程中，通过优化过程根据最近的数据评估每个模型，并选择适当的模型组合以预测未来。该方法不仅捕捉了每个时间段的细微变化，而且相对于在所有数据上一次性进行训练的传统 “全局” 模型，更有效地适应了时间变化。通过利用挪威两个处理厂的两年数据进行比较分析，证明了 ReWTS 集成模型的优越性。在各种模型结构上，它在两个数据集上的均方预测误差方面始终优于全局模型，提高了 10-70% 的性能，并且具有更强的异常值容忍性。这种方法在为决策和控制系统开发自动化、适应性预测模型方面显示出潜力。
time-series modelingprocess industriesensemble modelmulti-step forecastingdata characteristics
发现论文，激发创造
  • WEITS：一种用于可解释时间序列预测的小波增强残差框架

    通过多层小波分解和正反向残差结构，WEITS 将频率分析引入高度深度学习框架，拥有较强的表示能力和统计解释能力，实验证明其在时间序列预测方面具有竞争力的性能和高计算效率的额外优势。

    May, 2024

  • 基于注意力的集成汇聚方法用于时间序列预测

    我们提出一种使用基于注意力的集成汇聚模型学习权重的方法来减少时间序列预测中模型偏差的常见技术，并在两个时间序列预测问题上进行测试，发现在预测非平稳的 Lorenz '63 方程时，我们的模型具有出色的有效时间，而在预测 COVID-19 的每周死亡事件时，与现有集成汇聚相比表现不一致。

    Oct, 2023

  • pTSE: 一种概率时间序列多模型集成方法

    提出一种基于隐马尔可夫模型的概率多模型分布集成方法，名为 pTSE，该方法可显著提高时间序列的鲁棒性和准确性。

    May, 2023

  • RWKV-TS：超越传统循环神经网络的时间序列任务

    传统的循环神经网络在时间序列任务中曾占据主导地位，但最近在各个时间序列任务中逐渐衰退，因此我们设计了一种高效的基于循环神经网络的时间序列任务模型 RWKV-TS，该模型具有三个独特特点：（一）$O (L)$ 时间复杂度和内存使用的新型循环神经网络架构；（二）相较于传统循环神经网络更好地捕捉长期序列信息的能力；（三）具有高计算效率和有效规模扩展性的特点。通过大量实验，我们的 RWKV-TS 模型与最先进的基于 Transformer 或卷积神经网络模型相比具备竞争力的性能表现，特别值得注意的是 RWKV-TS 不仅性能可比，而且具有较低的延迟和内存使用。RWKV-TS 的成功鼓励了在时间序列领域中进一步探索和创新，其具备竞争性能、低延迟和高效内存使用的特点使其成为未来时间序列任务研究的有希望方向。

    Jan, 2024

  • 动态时间规整下的弱监督时序异常分割

    本论文提出了一种名为 WETAS 的新框架，它利用实例级别的异常标签来有效地识别输入实例中的异常时间段，并通过动态时间扭曲对输入实例和其分割掩模进行对齐，获得时间分割的结果，并同时利用掩模作为附加监督进一步增强自身。实验证明，WETAS 在定位时间异常方面比其他基线方法表现更好，并且比点级别检测方法提供更多信息。

    Aug, 2021

  • 基于检索的时间序列预测

    本文旨在探讨如何降低时间序列预测的不确定性，并介绍了一种基于相关时间序列引用的简单有效的两阶段方法 ReTime 用于空时序列和时间序列插值。

    Sep, 2022

  • 时间序列预测的集成建模：一种自适应鲁棒优化方法

    该论文提出了一种使用 Adaptive Robust Optimization 构建具有适应性权重的线性回归集成的新方法，以提高时间序列预测模型的准确性和鲁棒性，并演示了其在空气污染管理，能源消耗预测以及热带气旋强度预测等实际应用中优于其他竞争性集成技术的性能。

    Apr, 2023

  • 一种结合移动边界、数据分解和深度学习的新方法，用于预测复杂时间序列

    本篇论文研究了如何使用单变量时间序列预测复杂时间序列（如印度季风降雨量）。作者提出了一种新的 Moving Front 方法来防止数据泄漏，并使用经验小波变换将季风降雨量分解为较简单的构成序列。所提出的 EWT-MF-LSTM 模型表现出良好的预测性能。

    Mar, 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

  • RATSF: 通过检索增强的时间序列预测提升客户服务量管理能力

    一种有效的客户服务管理系统依赖于准确预测服务量。为了解决数据非稳态的挑战，本文提出了一种高效且适应性强的跨关注机制模块 RACA，用于预测任务中利用历史段落，并设计了一种准确的历史序列查询表示方案以及知识库的设计。这些关键组件共同构成了检索增强的时间序列预测框架（RATSF），该框架不仅在 Fliggy 酒店服务量预测中显著提升性能，还可以在各种应用场景中无缝集成到其他基于 Transformer 的时间序列预测模型中。大量实验验证了该系统设计在多个不同环境中的有效性和普适性。

    Mar, 2024