WEITS:一种用于可解释时间序列预测的小波增强残差框架
本文提出了 MultiWave 框架,采用小波分解对多变量时间序列数据进行频率分组,并结合门控机制来提高各种深度学习模型的性能。多个实验表明,MultiWave 可以准确地识别信息丰富的频率带,提高模型性能,并提供有价值的应用见解。
Jun, 2023
通过提出一种基于前向和后向残差连接和非常深的全连接层堆叠的深度神经网络结构,我们解决了单变量时间序列点预测问题,实现了比前人更高的准确率,且具有可解释性等良好属性。
May, 2019
本文提出了一种基于小波和神经网络的多级小波分解网络(mWDN),用于构建能 “感知” 时间序列频率的深度学习模型,并基于此模型提出了两个深度学习模型以应用于时间序列分类和预测,并在 40 个常用的 UCR 数据集和真实用户量数据集上进行了广泛实验验证,同时还提出了一种解释深度学习的方法。
Jun, 2018
此研究论文介绍了自适应小波网络(AdaWaveNet),它是一种新颖的方法,采用自适应小波变换对非平稳时间序列数据进行多尺度分析。AdaWaveNet 设计了基于 lifting scheme 的小波分解和构造机制,提供了增强的灵活性和鲁棒性,在预测、填充和高清重建等任务上表现出了优越的效果,展示了其在各种实际应用中的潜力。
May, 2024
本文提出了一种基于波尔均匀转换网络 (WFTNet) 的长期时间序列预测方法,WFTNet 利用了傅里叶和小波变换来提取信号中综合的时间频率信息,其中傅里叶变换捕捉全局周期模式,小波变换捕捉局部模式,此外还引入了一个周期性加权系数 (PWC) 来自适应地平衡全局和局部频率模式的重要性,丰富的时间序列数据集上的实验结果表明,WFTNet 始终优于其他最先进的基线模型。
Sep, 2023
我们提出了一种创新的时间序列预测模型 TimeSieve,通过使用小波变换预处理时间序列数据并引入信息瓶颈理论过滤冗余特征,提高了预测准确性和泛化能力,解决了时间序列预测中的关键问题。
Jun, 2024
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。
Mar, 2024
该研究提出了神经傅里叶变换 (NFT) 算法,通过结合多维傅里叶变换和时间卷积网络层来提高预测准确性和可解释性,经过实证验证在多个预测时间范围和回顾期上表现出卓越性能,显著提高多变量时间序列预测的水平。
May, 2024
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