Jun, 2024

FPN-fusion: 增强的线性复杂度时间序列预测模型

PDF
TL;DR本研究提出了一种新颖的时间序列预测模型，FPN-fusion，具有线性计算复杂度，相比于 DLiner 具有更优越的预测性能而无需增加参数数量或计算需求。我们的模型引入了两个关键创新：首先，采用特征金字塔网络（FPN）有效地捕捉时间序列数据的特征，避免了传统趋势和季节分解；其次，开发了一个多层融合结构，无缝地整合深层和浅层特征。在八个开源数据集上的 32 个测试案例中，FPN-fusion 在 31 个案例中表现优于 DLiner，平均均方误差 (MSE) 减少 16.8% 和平均绝对误差 (MAE) 减少 11.8%。此外，与基于 Transformer 的 PatchTST 相比，FPN-fusion 在 32 个测试项目中实现了 10 个最佳 MSE 结果和 15 个最佳 MAE 结果，仅使用了 PatchTST 总计算负载的 8%。
time series predictionfpn-fusionfeature pyramid networklinear computational complexitypredictive performance
发现论文，激发创造
  • UnetTSF: 一种性能更好的线性复杂度时间序列预测模型

    该论文提出了一种线性复杂度的 U-Net 时间序列预测模型（UnetTSF），采用了 U-Net 架构，并首次使用 FPN 技术从时间序列数据中提取特征，替代了将时间序列数据分解为趋势和季节项的方法，同时设计了适用于时间序列数据的融合结构。在 8 个开源数据集上的测试中，相比最佳线性模型 DLiner，在 32 个测试项目中有 31 个获得最佳结果。平均 mse 减少了 10.1％，平均 mae 减少了 9.1％。与复杂的基于 Transformer 的 PatchTST 相比，UnetTSF 在 32 个测试项目中获得了 9 个 mse 的最优结果和 15 个 mae 的最优结果。

    Jan, 2024

  • FPTN：用于交通流量预测的快速纯 Transformer 网络

    本文研究通过提出一种快速的 Transformer 网络来预测交通流量，该网络能够准确地捕捉交通数据中的复杂时空依赖关系，同时大大降低了计算时间和计算资源的要求。

    Mar, 2023

  • 时间证据融合网络：长期时间序列预测中的多源观点

    提出了一种新颖的时间序列预测模型基于信息融合的视角，引入了基本概率分配 (BPA) 模块和时间证据融合网络 (TEFN)，基于证据理论，从多源信息融合的角度有效提高了预测的准确性，同样具有较好的解释性，且在实验中表现出了较高的鲁棒性和稳定性。

    May, 2024

  • 实现长期时间序列预测：特征、模式和分布

    本论文讨论了长期时间序列预测 (LTTF) 中的 Transformer 模型，提出了一种有效的基于 Transformer 的模型 Conformer，采用编码器 - 解码器架构和正则化流派生的模块进一步提高信息利用率，并显式地建模时间序列数据中的互系列相关性和时间动态以加强下游自我关注机制，实验表明 Conformer 模型在 LTTF 中优于现有的方法，并可生成可靠的预测结果与不确定性量化。

    Jan, 2023

  • MPPN: 多分辨率周期模式网络用于长期时间序列预测

    本文提出了一种新颖的深度学习网络结构 MPPN，用于长期时间序列预测，该结构采用多分辨率语义单元、多周期模式挖掘和通道自适应模块来捕捉时间序列的本质模式，并提出了基于熵的评估方法来提高预测精度。在九个真实世界基准测试中，实验结果表明，MPPN 显著优于现有的基于 Transformer、分解和采样的长期时间序列预测方法。

    Jun, 2023

  • 融合近期和远期视野，实现更好的预测

    通过融合跨时间未来视图来改善多元时间序列预测的准确性，使用了多级表达法神经网络和卷积神经网络提取多层抽象表示。在三个实际数据集上的实验证明，与现有技术基准方法相比，我们的方法在 RMSE 度量上平均降低 4.59％，MAE 度量上平均降低 6.87％。

    Dec, 2019

  • 通用时间序列分析：利用预训练语言模型和特别设计的适配器

    利用预训练模型并引入自定义适配器优化预训练的 transformer 模型用于时间序列分析，在多个任务中取得了卓越的性能，尤其是通过适配器微调进一步提升了性能，超过了专门用于特定任务的模型。

    Nov, 2023

  • FDNet: 用于高效、鲁棒和实用的时间序列预测的 焦点分解网络

    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

  • 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

  • 时空线性：面向通用多元时间序列预测

    复杂多元时间序列预测中，通过简单的线性模型结构来整合时间嵌入和空间信息的 SpatioTemporal-Linear 框架优于深度学习技术中的线性模型和 Transformer 模型在多种观测和预测时长的数据集上的性能表现。

    Dec, 2023