Oct, 2024

TiVaT：具有时滞动态的时间序列预测联合轴注意力机制

HTML
PDF
TL;DR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。
发现论文，激发创造
  • MTS-Mixers: 因式分解时空和通道混合进行多元时间序列预测

    本文研究关注机制在时间序列预测性能上的作用，提出MTS-Mixers来解决捕获时间和通道互动中的交错和冗余问题，并证明了关注机制不是捕获时间依赖关系的必要条件。

    Feb, 2023

  • 多尺度变压器金字塔网络用于多变量时间序列预测

    使用多尺度Transformer的多变量时间序列预测中, 引入了不变量嵌入技术用于捕捉短期时间依赖并将数据投射到高维空间, 同时保留时间步和变量维度。进一步, 提出了一种新颖的Multi-scale Transformer金字塔网络(MTPNet), 用于有效地捕捉多个不受约束尺度上的时间依赖。在九个基准数据集上的广泛实验证明, 提出的MTPNet优于最新的先进方法。

    Aug, 2023

  • 多元时间序列预测的进展：全面基准测试和异质性分析

    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

  • Dozerformer: 序列自适应稀疏Transformer用于多变量时间序列预测

    基于Dozer Attention机制的Dozerformer框架在多元时间序列（MTS）预测任务中取得了出色的性能，该机制通过解决注意力机制中的两个关键限制，即二次时间复杂度和基于整个历史序列生成未来值的问题，来捕捉MTS数据的局部性、季节性和全局时间依赖性。

    Dec, 2023

  • FCDNet: 频率引导的补充依赖建模用于多变量时间序列预测

    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

  • 重新思考多元时间序列预测的通道依赖性：从领先指标中学习

    我们提出了一种名为LIFT的新方法，针对多元时间序列预测，它通过有效地估计领先指标并将领先指标的先行信息巧妙地应用于滞后变量，可以实现与任意时间序列预测方法的无缝合作，并在六个真实数据集上的大量实验证明，LIFT在平均预测性能上提高了5.5%。

    Jan, 2024

  • GinAR: 适用于变量缺失的端到端多元时间序列预测模型

    我们提出了一种名为GinAR的图内插注意递归网络，以准确地对有限收集的数据进行空间时间依赖性建模，从而解决历史缺失数据的问题。GinAR通过内插注意力和自适应图卷积这两个关键组件，能够恢复所有缺失变量，并重新构建正确的空间时间依赖性，以递归建模多变量时间序列数据。我们在五个实际数据集上进行了广泛实验，结果表明GinAR在效果上优于11个先进基准模型，即便在90%的变量缺失的情况下，仍能准确预测所有变量的未来值。

    May, 2024

  • UniTST: 有效建模多变量时间序列预测中的系列内和系列间依赖关系

    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

  • 针对系列内和系列间转变的强鲁棒性多元时间序列预测

    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

  • 可扩展变换器用于高维多变量时间序列预测

    本研究针对高维多变量时间序列（MTS）预测中现有通道依赖模型的性能不足问题进行了深入分析，发现主要问题在于无关序列引入的噪声和训练策略的挑战。我们提出了一种新颖的可扩展变换器STHD，结合稀疏关系矩阵、灵活的重索引训练策略和二维输入处理能力，显著提高了在高维数据集上的预测性能。

    Aug, 2024