ROSE: 基于注册辅助的泛时间序列预测与分解频率学习
提出了一种 Time-Frequency Enhanced Decomposed Network (TFDNet) 方法,用于从时频域捕捉长期潜在模式和时间周期性,通过多尺度的时频增强编码器支撑和两个独立的趋势和季节时频块来捕捉多分辨率中分解的趋势和季节成分的不同模式,实验证明 TFDNet 在效果和效率上优于现有方法。
Aug, 2023
本研究提出了一种基于深度学习的新颖转移架构 SeDAN,通过从跨域数据集中对可转移的知识进行对齐来提高目标领域的预测性能,采用隐式对比分解来对原始特征进行分解,并针对不同域的分解特征设计相应的适应性方法,实验表明 SeDAN 可以提供更高效,更稳定的知识传递,可应用于多元时间序列预测。
Jun, 2023
该研究提出了一种名为 FEDformer 的算法,采用 Transformer 和季节趋势分解方法相结合,提高长期预测的性能,同时通过基于 Fourier 变换的频率增强技术进一步提高了预测的准确性,与当前先进的方法相比,在多元和单元时间序列上均能大幅度降低预测误差。
Jan, 2022
通过引入可学习的分解策略和双重注意力模块,该研究论文在多元时间序列预测方面取得了显著进展,并且提出的分解策略可以插入其他方法,大大提升了性能,MSE 误差降低从 11.87% 到 48.56%。
Feb, 2024
该论文提出了一种新的预训练方法,通过考虑时频一致性来适应不同时间动态的目标领域,并证明了该方法在多种实际应用场景下性能优于当前主流方法。
Jun, 2022
我们提出了基于掩码编码器的通用时间序列预测变形器 Moirai,用于解决传统上仅限于一个数据集一个模型的深度学习时间序列预测框架的限制,利用大规模预先训练模型的革命性影响。通过在超过九个领域中提供的超过 270 亿次观测的大规模开放时间序列存档(LOTSA)上进行训练,Moirai 作为零 - shot 预测器实现了具有竞争力或更好的性能。
Feb, 2024
本文提出了一种结合了谱分解和时间分解的数据增强方法,可用于预测型时间序列数据的生成,实验表明该方法在五个真实的数据集上均取得了比其他基准模型和增强方法更好的表现。
Mar, 2023
本研究提出了 FDNet,一个面向高效、鲁棒、实际的时序预测模型,利用局部特征图从输入序列中提取精细的局部特征,实现了在没有全局粗略特征图的情况下的深度时序预测,并通过焦点输入序列分解方法解决了长序列输入问题。在六项现实世界基准测试中,FDNet 取得了竞争性的预测结果,并平均减少了 38.4%的预测 MSE 与其他 13 个基线相比。
Jun, 2023