因果视角重新思考时间序列分析
通过预测任务和设计的多核因果卷积，CausalFormer 学习时序数据的因果表达，并通过回归相关传播解释训练后的模型全局结构以构建因果图，从而在发现时序因果性方面实现了最先进的性能。
Jun, 2024
本研究介绍了一种基于图结构的序列感知增强变压器模型 SageFormer，用于有效地捕捉和建模系列之间的依赖关系，并通过真实世界和合成数据集的广泛实验展示其优越性。
Jul, 2023
本文探究了基于时间延迟的因果分析和皮尔逊相关性在金融市场预测中的应用。作者提出了一种适用于金融市场的时间序列数据的实用方法，并使用不同类型的金融和社交媒体数据进行了实验测试。结果显示该方法可以判别不同实时市场数据之间的因果关系，同时讨论了目前工作中存在的问题和可能的方向。
Apr, 2022
通过基于图的 Transformer 模型 Forecaster 来解决时空相关数据处理中的空间依赖、时间依赖、数据非平稳性和数据异质性问题，并在预测出租车叫车需求问题中取得了显著的优势。
Sep, 2019
多元时间序列预测：提出了 Variable Correlation Transformer (VCformer) 模型，通过 Variable Correlation Attention (VCA) 模块挖掘变量之间的相关性，并结合 Koopman Temporal Detector (KTD) 来处理时间序列的非平稳性，实验证明 VCformer 在真实数据集上取得了优异的性能。
May, 2024
通过将时间序列分成按天分割的小块，重新进行逐块方式处理并设计时间建模 Transformer-Dateformer，以提高 Transformers 模型的信息输入和输出并使模型能够全局分析时间序列，大幅提高了时间序列预测的准确性和半年的最大预测范围。
Jul, 2022
本文介绍了一种新的方法来发现多元时间序列数据中的因果关系，该方法结合因果发现算法和基于信息论的度量，可以推断线性和非线性关系以及构建潜在的因果图。我们在几个模拟数据集上评估了我们的方法的性能，并展示了有希望的结果。
May, 2023
从因果的角度重新审视了时空时间序列的填充，引入了前门调整与一个基于因果感知的时空图神经网络 (CASPER)，它包含了一个新颖的时空因果注意力 (SCA) 和一个基于提示的解码器 (PBD)。PBD 可以减少混淆变量的影响，而 SCA 可以发现嵌入之间的稀疏因果关系。经过理论分析，发现 SCA 是基于梯度值来发现因果关系的。通过在三个真实数据集上的评估，实验证明 Casper 能够胜过基准方法，并有效地发现因果关系。
Mar, 2024
论文提出了一个新的 Transformer 模型 AgentFormer，该模型可以联合模拟时间和社交两个维度，用于预测多智能体行为，同时考虑了多智能体的影响以及不确定性。该模型具有良好的性能，并在公共数据集上取得了 state-of-the-art 的结果。
Mar, 2021
我们研究了随机过程生成的多变量时间序列数据中的因果推理。与现有方法不同，我们提出了一种直接建立时间过程中事件之间因果关系的学习范式，并通过两个关键引理将其框架化成为强化学习问题。我们的方法提供了揭示和量化扩散过程中因果关系的形式化和计算工具，包括离散时间马尔可夫决策过程等各种重要设置。通过复杂的实验和深度学习，我们的框架揭示和量化了看似无法解释的因果链接。
Feb, 2024