多尺度膨胀卷积网络用于长期时间序列预测

May, 2024

多尺度膨胀卷积网络用于长期时间序列预测

Multi-Scale Dilated Convolution Network for Long-Term Time Series Forecasting

Feifei Li, Suhan Guo, Feng Han, Jian Zhao, Furao Shen

TL;DR通过使用浅层扩张卷积架构以捕捉长时间序列的周期性和趋势特征，我们提出了多尺度扩张卷积网络 (MSDCN) 的方法，并设计了具有指数增长扩张和不同卷积核大小的不同卷积块来在不同尺度上采样时间序列数据。此外，我们利用传统的自回归模型来捕捉数据内的线性关系。通过在八个具有挑战性的长期时间序列预测基准数据集上进行实验证明，我们的方法优于先前的最先进方法，并与几种强基准方法相比显示出显著的推理速度改进。

Abstract

Accurate forecasting of long-term time series has important applications for decision making and planning. However, it remains challenging to capture the long-term dependencies in time series data. To better extract long-term dependencies, We propose →

long-term time series multi scale dilated convolution network dilated convolution architecture period and trend characteristics autoregressive model

发现论文，激发创造

时间序列分类的多尺度卷积神经网络

提出了一种基于多尺度卷积神经网络的时间序列分类模型，该模型将特征提取和分类集成在一个框架中，具有较高的准确性和计算效率，并在大量基准数据集上进行了全面的实证评估，取得了优于其他先进方法的性能。

Mar, 2016

多元时间序列数据非监督异常检测和诊断的深度神经网络

该论文提出了一种名为 “MSCRED” 的多尺度卷积循环编码器 - 解码器模型，用于在多元时间序列数据中执行异常检测和诊断，并且在合成数据集和实际电厂数据集上进行了广泛的实证研究，证明 MSCRED 可以优于现有的基线方法。

Nov, 2018

使用循环扩张卷积神经网络分类长的连续数据

本文提出了一种基于循环膨胀卷积神经网络（Circular Dilated Convolutional Neural Network，CDIL-CNN）的对称多尺度架构，旨在解决长序列数据分类问题中 TCN 方法因使用不平衡连接协议和类别输出限制性等问题表现不佳的问题。研究者使用 CDIL-CNN 在多个长序列数据集上进行了测试，结果表明其较之前其他方法表现更出色。

Jan, 2022

利用深度神经网络建模长短期时间模式

本文提出了一个新的深度学习框架 —— Long- and Short-term Time-series network (LSTNet)，用于解决多元时间序列预测等问题，并在复杂混合循环模式数据上实现了显著的性能提升。

Mar, 2017

适应性提取网络用于多元长序列时间序列预测

多分辨率卷积和可变形卷积操作的自适应时变卷积网络（ATVCNet）在多变量时间序列的局部 / 全局时间依赖和变量间依赖建模方面取得了显著改进，通过不同扩张因子的卷积核扩大感受野以捕捉不同分辨率间的时间相关信息，并通过附加的偏移向量自适应调整采样位置，增强网络捕捉变量间相关特征的能力，通过提取和融合不同分辨率的时间序列特征，在时间序列中捕捉到了局部背景信息和全局模式，并且设计的变量间特征自适应提取模块捕捉了时间序列中不同变量间的相关性，实验结果表明，ATVCNet 相较于现有的 MLSTF 模型性能提高了近 63.4%。

May, 2024

基于卷积神经网络的条件时间序列预测

本文提出了一种基于改进的深度卷积 WaveNet 框架的条件时间序列预测方法，该方法通过多个卷积滤波器并行应用于各个时间序列来完成条件操作，从而加速数据处理和利用多元时间序列之间的相关性，可以有效地学习和预测金融时间序列，且性能优于常用的自回归模型和长短期记忆网络。

Mar, 2017

融合近期和远期视野，实现更好的预测

通过融合跨时间未来视图来改善多元时间序列预测的准确性，使用了多级表达法神经网络和卷积神经网络提取多层抽象表示。在三个实际数据集上的实验证明，与现有技术基准方法相比，我们的方法在 RMSE 度量上平均降低 4.59％，MAE 度量上平均降低 6.87％。

Dec, 2019

空洞卷积多尺度上下文聚合

本文提出了一种特别为密集预测设计的新的卷积网络模块，该模块利用扩张卷积系统地汇集多尺度上下文信息，而不会丢失分辨率，并证明了该模块可以提高现有最先进的语义分割系统的精度。同时，作者还探究了将图像分类网络适应于密集预测的可能性，并提出了简化适应后的网络结构有助于提高精度。

Nov, 2015

多维时间序列预测的自适应图卷积网络框架

通过将自适应图卷积网络集成到各种空间时序预测模型中，以解决多维预测中维度之间的关系难以捕捉的问题，并进行了多个数据集的实验测试，证明我们的建议框架在模型中引入后，其准确率提高了约 10%。

May, 2022

基于时序卷积神经网络的概率预测

本研究基于卷积神经网络提出了一种概率预测框架，可用于多个相关时间序列的预测，并可在参数和非参数设置下估计概率密度。该方法通过堆叠残差块实现了序列的时间依赖关系，并通过表示学习捕获了季节性、假日效应等复杂模式，实验证明该框架在精度和效率方面均优于当前其他方法。

Jun, 2019