针对系列内和系列间转变的强鲁棒性多元时间序列预测
本文提出自适应循环神经网络(AdaRNN)来解决时间序列的分布漂移问题,并通过两个新算法来建立自适应模型。AdaRNN是一个通用的框架,它集成了灵活的分布距离。实验表明,AdaRNN在人类活动识别、空气质量预测和金融分析方面的表现优于最新的方法,并且能够显著降低均方根误差(RMSE)并提高性能。
Aug, 2021
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
本文基于图神经网络与边变换的傅里叶图神经网络,提出一种适应性学习高分辨率变量依赖关系的方法,对多变量时间序列分析与预测具有较高的效率和准确性。
Oct, 2022
本文提出 Dish-TS,一种用于缓解时序预测中分布漂移的神经范式,包括对输入和输出窗口进行分离学习和更有效的训练策略,实验证明其能够在多个数据集上带来平均超过 20% 的性能提升。
Feb, 2023
使用BasicTS基准测试来解决多元时间序列预测中公正对比问题,并通过对丰富的多元时间序列数据集进行详尽的性能和效率比较,为研究人员选择和设计多元时间序列预测模型提供洞见。
Oct, 2023
FCDNet是一个简洁而有效的框架,通过两个轻量级依赖构造器,从多层频率模式中自适应地提取长期和短期依赖信息,从而克服了先前方法所面临的限制,并显著超过强基线,平均改进了MAE的6.82%、RMSE的4.98%和MAPE的4.91%。
Dec, 2023
利用分层概率生成模块和可变生成动态模型,Hierarchical Time series Variational Transformer (HTV-Trans) 恢复时间依赖性中的固有非平稳信息,实现对多变量时间序列(MTS)的预测任务。
Mar, 2024
通过提出一种名为UniTST的基于Transformer的模型,该模型含有统一的关注机制和调度模块,可以直接建模时间序列数据中的复杂依赖关系,并在多个数据集上展现了出色的性能。
Jun, 2024
本研究解决了复杂分布变化对长期时间序列预测准确性的影响,填补了现有归一化技术忽视多尺度分布动态这一关键问题的空白。通过提出一种新颖的模型无关的多尺度演化归一化框架,EvoMSN,实现了灵活的归一化与去归一化,并设计了协同更新的优化策略,以有效提升五种主流预测方法在基准数据集上的表现。
Sep, 2024
本研究解决了多变量时间序列预测中同时捕捉时间依赖和变量间依赖的挑战。提出的TiVaT架构通过联合轴注意力机制有效整合这些依赖,并利用距离感知时间变量采样减少噪声、提高准确性。TiVaT在复杂模式的捕捉上表现出色,成为多变量时间序列预测的新基准,特别是在面对复杂依赖数据集时。
Oct, 2024