May, 2024

DGCformer：多元时间序列预测的深度图聚类 Transformer

PDF
TL;DR该论文提出了一种深度图聚类变压器（DGCformer），用于多元时间序列预测。它通过图卷积网络和自编码器首先将相关变量进行分组，然后使用通道依赖策略处理每个变量组，而对不同组则使用通道独立策略。八个数据集上的广泛实验结果表明了我们方法相对于最先进模型的优越性，计算代码将在接受后公开。
multivariate time series forecastingchannel-dependent strategychannel-independent strategydeep graph clustering transformergraph convolutional network
发现论文，激发创造
  • GCformer：一种用于准确可扩展的长期多变量时间序列预测的高效框架

    GCformer 能在处理长输入序列的同时，利用结构化全局卷积分支处理全局依赖关系并利用本地 Transformer 分支捕获近期的短时信号，该方法在六个基准数据集上实验表明 GCformer 的表现优于现有方法，尤其其全局卷积分支能够增强其他模型的性能，平均改进 31.93％。

    Jun, 2023

  • ForecastGrapher：用图神经网络重新定义多元时间序列预测

    ForecastGrapher 是一个框架，将多变量时间序列预测重新构想为节点回归任务，通过生成自定义节点嵌入、构建自适应邻接矩阵和增强节点特征分布的表达能力，引入 GFC-GNN 模型来捕捉复杂的时间动态和跨序列的相关性，通过大量实验证明其在多变量时间序列预测领域超过了强基线和领先的已发表技术。

    May, 2024

  • 用图神经网络连接点：多元时间序列预测

    该研究提出了一种面向多变量时间序列数据的图神经网络框架，采用图学习模块提取自动生成的变量之间的关系，同时运用新颖的混合传递和膨胀创新层捕捉时间序列中的空间和时间相关性，而这些模块被联合学习在一个端对端框架中。实验结果表明，该模型的性能在 3 个基准数据集上优于现有最先进方法，并在提供额外结构信息的两个交通数据集上实现了与其他方法相当的性能。

    May, 2020

  • EdgeConvFormer：多变量时序异常检测基于动态图卷积神经网络和 Transformer

    基于 Transformer 的 EdgeConvFormer 模型能够从多变量时间序列数据中学习空间 - 时间关联，并在不同尺度的真实世界数据集上实现比现有方法更好的异常检测性能。

    Dec, 2023

  • MCformer：混合通道 Transformer 的多元时间序列预测

    基于 Mixed Channels 策略，本文提出了 MCformer 作为一种混合通道特征的多变量时间序列预测模型，通过注意力机制有效捕捉了通道间相关信息从而在多变量时间序列预测任务中胜过了纯 CI 策略。

    Mar, 2024

  • VCformer：具有内在滞后相关性的多元时间序列预测中的变量相关变压器

    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

  • 层次联合图学习与多变量时间序列预测

    我们提出了一种方法，将多变量信号表示为图中的节点，通过图神经网络和注意力机制来高效学习时间序列数据中的潜在关系，并建议使用分层信号分解来捕捉多个空间依赖关系，实验证明我们的模型在长期预测任务中优于现有模型，平均均方误差 (MSE) 减少了 23%。

    Nov, 2023

  • Stecformer: 空间 - 时间编码叠加变换器用于多元长期时间序列预测

    本研究提出了一种完整的解决方案，包括特征提取和目标预测，旨在解决多变量长期时间序列预测中的空间特征提取和不同预测时期的一致性问题。新的方法称为 “时空编码串联变压器（Stecformer）”，其采用高效的时空编码提取器和级联解码预测器来改善基线模型的性能，并在五个基准数据集上实现了与基线模型可比较的最先进性能。

    May, 2023

  • GTrans: 带有图嵌入的时空自回归变换器用于极端事件的实时预测

    提出了一种名为 GTrans 的时空模型，该模型将数据特征转换为图嵌入，并使用变压器模型预测时间动态，并能够对极端事件进行预测，可在社交网络，道路交通，物理和化学属性预测等领域应用。

    Jan, 2022

  • GEANN：用于多时域时间序列预测的可扩展图增强技术

    使用图神经网络作为数据增强来改善编码器，在冷启动产品的需求预测中取得明显的收益。

    Jul, 2023