May, 2024

适应性提取网络用于多元长序列时间序列预测

PDF
TL;DR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%。
cnn architecturemultivariate long sequence time-series forecastingmulti-resolution convolutiondeformable convolutionatvcnet
发现论文，激发创造
  • ConvTimeNet: 多变量时序分析的深层分层完全卷积模型

    本文介绍了 ConvTimeNet，这是一个新型的深层分层全卷积网络，旨在作为时间序列分析的通用模型。该网络的关键设计从两个方面入手，旨在克服传统卷积网络的局限性。第一，我们提出了将时间序列自适应分割为子序列级的补丁，并将其作为基本建模单元，避免了与原始点级时间步长相关的稀疏语义。第二，我们设计了一个完全卷积块，巧妙地集成了深度卷积和点卷积操作，采用 Transformer 编码器中使用的先进建模风格，使得该主干网络能够有效捕捉全局序列和跨变量依赖，因为它不仅融入了 Transformer 架构的进展，还继承了卷积的固有属性。此外，通过灵活控制核大小，可以学习给定时间序列实例的多尺度表示。我们在时间序列预测和分类任务上进行了广泛的实验。结果在大多数情况下在有效性方面始终优于强基线。代码已公开发布。

    Mar, 2024

  • 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

  • CVTN：交叉变量和时间一体化用于时间序列预测

    使用 Cross-Variable and Time Network (CVTN) 方法来解决多变量时间序列预测中的特征挖掘和避免过拟合的挑战，并在各种真实数据集上证实了其卓越性能。该方法强调时间序列预测的短期和长期性质、从历史和预测序列中挖掘特征以及跨变量和跨时间学习的整合。

    Apr, 2024

  • 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

  • 多尺度膨胀卷积网络用于长期时间序列预测

    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。

    May, 2024

  • 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

  • 用于时间序列分类的多元 LSTM-FCNs

    本研究将现有的单变量时间序列分类模型 LSTM-FCN 和 ALSTM-FCN 转化为多变量时间序列分类模型，通过增加 squeeze-and-excitation 块改善了分类的准确性。提出的模型适用于各种复杂的多变量时间序列分类任务，如活动识别或动作识别。此外，提出的模型在测试时非常高效，且足够小以部署在内存受限的系统上。

    Jan, 2018

  • 基于并行时空注意力的 TCN 模型用于多元时间序列预测

    该论文介绍了一种新的框架 PSTA-TCN，该框架将并行时空关注机制与轴承温网络相结合，从而达到了更长的记忆，并且使用并行计算大大缩短了训练时间，可以更好地用于多元时间序列预测任务。

    Mar, 2022

  • TLNets：用于长序列时间序列预测的转换学习网络

    提出了基于变换的网络架构设计计划，包括傅里叶变换、奇异值分解、矩阵乘法和卷积块。这些变换机制在学习中具有增强的可接受范围，可以跨尺度融合特征。经过多次测试比较，基于该设计计划的 TLNets 在长期时间序列预测方面表现有明显的潜力。

    May, 2023

  • 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