May, 2024

MGCP：一种基于多粒度相关性的预测网络用于多变量时间序列

PDF
TL;DR提出了一种基于多粒度关联的预测网络 (MGCP)，该网络同时考虑了多粒度水平上的多元时间序列的关联，从而提高了预测性能。通过使用自适应傅里叶神经算子和图卷积网络来学习全局时空关联和跨系列关联，MGCP 能够从多元时间序列中提取细粒度和中等粒度水平的潜在特征。此外，MGCP 还利用带有注意机制预测器和条件鉴别器的对抗训练来优化粗粒度水平上的预测结果，并确保生成的预测结果与实际数据分布的高保真度。最后，将 MGCP 与几种最先进的时间序列预测算法在真实世界的基准数据集上进行比较，结果表明了所提模型的广泛适用性和有效性。
发现论文，激发创造
  • 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

  • MSGNet：学习多尺度跨序列相关性用于多元时间序列预测

    本文介绍了 MSGNet，一种先进的深度学习模型，通过频域分析和自适应图卷积来捕捉多个时间尺度下不同时间序列之间变化的相互关系，进一步展示了 MSGNet 学习可解释的多尺度时间序列间相互关系的自动能力。

    Dec, 2023

  • PGCN: 面向时空交通预测的渐进图卷积网络

    本研究提出了一种新的交通预测框架 - Progressive Graph Convolutional Network（PGCN），它通过在训练和测试阶段逐步适应输入数据来构建一组图形，并与扩张因果卷积和门控激活单元相结合，提取时间特征。PGCN 具有逐步适应输入数据的能力，使模型在不同的研究场所具有稳健性，并在各种几何性质的实际交通数据集上实现了最先进的性能。

    Feb, 2022

  • 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

  • 学习时间感知图结构进行空间相关时间序列预测

    提出了一种名为 Time-aware Graph Convolutional Recurrent Network (TGCRN) 的统一框架，通过 Time-aware Graph Structure Learning (TagSL) 和 Graph Convolution-based Gated Recurrent Unit (GCGRU) 在编码器 - 解码器结构中联合捕捉空间和时间依赖关系，用于多步骤的时空预测。实验证明，TGCRN 能够推进现有技术的发展，并提供了详细的消融研究和可视化分析，深入揭示了时间感知结构学习的有效性。

    Dec, 2023

  • 多尺度自适应图神经网络用于多元时间序列预测

    本研究提出了一种名为 MAGNN 的多尺度自适应图神经网络方法，用于预测多元时间序列中的内部变量相关性和跨变量相关性，通过多尺度金字塔网络和自适应图学习模块以及尺度级融合模块能够更好地处理不同时间尺度和相关性，实验证明，MAGNN 在多个数据集上都优于现有的方法。

    Jan, 2022

  • TimeGNN：时间序列预测的时间动态图学习

    TimeGNN 是一种学习动态时间图表示的方法，能够捕捉多个系列的相关性和交互模式的演变，并在预测性能方面实现比其他先进的基于图的方法快 4 到 80 倍的推理时间。

    Jul, 2023

  • 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

  • 上下文神经网络：一种可扩展的多元模型用于时间序列预测

    该研究提出了一种具有线性复杂度的 Context Neural Network 方法，可以有效地为时间序列模型提供和其邻近时间序列相关的上下文见解，从而丰富预测模型，解决全局模型的局限性，并且对于大型数据集具有可计算性可扩展性。

    May, 2024

  • MPR-Net：多尺度模式再现引导的时间序列普适可解释预测

    该研究提出了一种时序预测模型，MPR-Net，通过卷积和反卷积操作，适应性地分解多尺度历史序列，并基于模式复制的先前知识构建了模式扩展预测方法，由于利用了时间依赖性，MPR-Net 不仅实现了线性时间复杂度，而且使预测过程可解释。该模型在短期和长期预测任务的十多个真实数据集上进行了充分实验，表现出最先进的预测性能以及良好的泛化性和鲁棒性能。

    Jul, 2023