- 因果对照学习在时间上的反事实回归
本文提出了一种独特的时间反事实回归方法,通过强调长期预测,强调使用循环神经网络(RNN)进行长期预测,结合对比预测编码(CPC)和信息最大化(InfoMax),避免使用计算昂贵的变换器,捕捉到存在时间变化的混杂因素中的长期依赖关系,通过最大 - FAITH: 时间序列预测中的频域关注在两个视野中
提出了一种新的模型 FAITH,通过多尺度序列自适应分解和融合架构将时间序列分解为趋势和季节成分并分别处理,利用频域进行特征提取和处理,显著提高了处理长期依赖和复杂模式的能力,在长期和短期的时间序列预测任务中优于现有模型。
- 长期预测的数据增强策略搜索
我们介绍了一种名为 TSAA 的时间序列自动增强方法,用于应对长期预测中的过拟合挑战,并在挑战性的一元和多元预测基准问题上表现出卓越的性能,建议将其整合到预测流程中。
- 基于 Patch 和 Transformer 的长期多能源负荷预测的推进
Patchformer 是一种整合了补丁嵌入 (patch embedding) 和编码 - 解码式 Transformer 架构的新型模型,用于解决现有基于 Transformer 的模型在长期预测中难以应对复杂时间模式的问题,通过将多元 - ICLR自监督对比预测
通过引入对比学习和增强分解架构,本研究提出了一种新颖的方法来解决长期预测中存在的问题,并通过实验证明,在多个长期基准测试中,特别是需要长时间输出进行预测的挑战性场景中,我们的方法优于 14 个基准模型。
- HiMTM: 面向长期预测的分层多尺度遮蔽时间序列建模
通过使用多尺度层次掩蔽时间序列建模方法,HiMTM 在提升多尺度特征提取能力的同时,通过实验证明其在时间序列预测准确性上具有明显优势,并在天然气需求预测领域得到了有效应用。
- 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 - 增加与稀疏:用于时间点过程的扩散
在连续时间事件数据的时间点过程(TPP)框架中,自回归神经网络已成为建模连续时间事件数据的标准。为了克服这些限制,我们推导出 ADD-THIN,一种基于整个事件序列的原则性概率去噪扩散模型,它与现有的扩散方法不同,可以自然地处理具有离散和连 - HUTFormer:用于长期交通预测的分层 U-Net Transformer
我们首次尝试研究长期交通预测的问题,并提出了一种名为 HUTFormer 的新型模型,通过多尺度表示来有效改善长期交通预测的挑战,并在多个交通数据集上证明其在预测性能上显著优于现有的基准模型。
- IJCAI基于分层时空 Transformer 的长期风力预测
本文提出了一种新的基于 Transformer Network 的 Hierarchical Spatial-Temporal Transformer Network(HSTTN)模型,利用空间和时间特征增强长期风力发电预测。实验结果表明, - 通过数据增广提升基于连续时间动态图网络的长期预测性能
该研究提出了一种基于数据增强的 plug-and-play 模块 UmmU,采用不确定性估计和遮盖式 Mixup 技术来增加嵌入层的不确定性,进一步增强嵌入层的泛化能力,结果表明 UmmU 可以有效提高连续时间动态图网络的长期预测性能。
- 透过纯模型掌握时间序列的核心规则
本文指出了时间序列尤其是长期预测不同于其他领域,不需要使用复杂的模型来获取时间序列变化的核心规律,借此提出了一种新的纯线性神经网络模型 PureTS。实验证明,该模型能够在 80%的长序列预测任务中取得最新的技术水平。
- 基于频域的长期时间序列预测(FreDo)
本文研究了长期预测问题,提出了一种基于周期性的基础模型和建立在其上的频域神经网络模型 “FreDo”,并通过与时域模型的比较证明了其优越性。
- 基于强化学习电网调度的长期可再生能源预测的置信度估计变压器
本文提出了一种基于增强学习的电网分配系统中可信度估计 Transformer,以预测可再生能源的长期输出并降低预测误差,同时采用调度必要性评估机制来决定每个发电机的有功输出是否需要调整,实验结果表明 Conformer-RLpatching - Autoformer: 基于自相关的分解 Transformer 模型用于长期序列预测
本研究介绍了一种名为 Autoformer 的时间序列长期预测模型,它采用了一种新颖的基于自动相关性机制的分解体系结构,用于处理复杂时间序列,取得了超过现有最优结果 38% 的相对改进。
- 卷积张量列车长短时记忆网络用于时空学习
本文提出了一种高阶卷积 LSTM 模型和一种新的张量列车模块,可以有效地学习视频序列中的长期时空相关性,并通过结合时间上的卷积特征进行预测,通过张量列车分解降低了模型复杂度,取得了广泛应用和数据集上的最佳表现。
- 交通流量预测的时空转换网络
本文提出了一种新的空间 - 时间变换网络的范例来改善长期交通预测的准确性,其中使用图神经网络和自注意机制来动态建模交通数据中的有向空间相关性,并利用跨多个时间步骤的长程双向时间依赖性。实验证明,该模型在 Real-world 数据集上预测交 - 中长期概率电价预测
本文通过引入一种新的方法来模拟未来几个月至三年的逐小时分辨率下的电力价格,使我们能够提供概率预测,甚至在长期内检测价格剧烈波动的概率,从而解决当前长期电力价格预测困难的问题。