频率自适应归一化用于非平稳时间序列预测
提出了非平稳Transformer,通过序列平稳化和去平稳化注意力机制恢复内在非平稳信息,极大地提高了主流Transformer模型的性能,使它们成为时间序列预测领域的最佳模型。
May, 2022
本文探究了在长期时间序列预测中应用线性层的内在有效性,并提出了RevIN和CI这两种方法以及线性映射可以有效地捕捉时间序列的周期特征,在增加输入视野时通道具有不同周期的鲁棒性。
May, 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
本文提出了一种新的时间序列预测方法,通过解决分布转移问题以及采用解耦的公式,并在联合学习变换和预测的基础上,利用instance normalization flows实现时间序列的转换。通过广泛实验验证,在合成和实际数据上,我们的方法始终优于现有基线算法。
Jan, 2024
ATFNet框架是一种创新性的方法,结合了时间域模块和频率域模块,可以同时捕捉时间序列数据中的局部和全局依赖关系,并在长期时间序列预测方面超越了当前最先进的方法。
Apr, 2024
我们提出了一种新颖的基于MLP的自适应多尺度分解 (AMD) 框架用于时间序列预测,该框架在多个尺度上将时间序列分解为不同的时间模式,并利用多尺度分解混合 (MDM) 模块将这些模式进行拆分和聚合,通过双重依赖交互 (DDI) 模块和自适应多预测合成 (AMS) 模块有效地建模时间和通道依赖性,并利用自相关性来提炼多尺度数据集成。全面的实验表明,我们的AMD框架不仅克服了现有方法的局限性,而且在各种数据集上的长期和短期预测任务中始终取得了最先进的性能,展示了出色的效率。
Jun, 2024
为了解决长期时间序列预测中的依赖性问题,本研究提出了一种名为Frequency Dynamic Fusion(FreDF)的方法,该方法利用Fourier分析来捕捉不同频率下的时间序列模式,并动态地融合预测结果。通过广泛实验和消融研究,证明了FreDF在多个基准数据集上的有效性,并提供了时间序列预测的泛化能力的界限。
Jul, 2024
通过使用Probabilistic Graphical Model和JointPGM,本文解决了非平稳MTS预测中的分布变化问题,并实现了最先进的预测性能。
Jul, 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
本研究解决了现有归一化方法在时域操作时未能充分捕捉频域动态模式的问题。我们提出的FredNormer通过从频率角度观察数据集并自适应加权关键频率成分,显著提高了预测性能。实验结果显示,FredNormer在多项设置中超越了传统归一化方法,平均降低了模型的均方误差。
Oct, 2024