关键词multivariate forecasting
搜索结果 - 6
- Transformer 多变量预测：多多益善？
本研究提出了一种使用 PCA 增强的新型 Transformer 预测框架，以降低冗余信息、提高预测准确性并优化运行时间效率。通过与其他五个先进模型和四个真实世界数据集的评估结果显示，该框架能够在所有模型和数据集上最小化预测误差，并显著降低 - 自适应依赖学习图神经网络
通过将神经网络和统计结构学习模型相结合，我们提出了一种混合方法，通过从多变量数据中自主学习依赖关系并构建动态变化的依赖图，从而实现了在缺乏明确定义图的情况下利用图神经网络进行多变量预测。在真实世界的基准数据集上，我们的方法显著提高了性能。
- 多元时序预测的联合时频域变换器
该研究提出了一种联合时频域变压器模型 (JTFT) 进行多元预测的方法，其中使用少量可学习的频率，利用时间序列在频域中的稀疏性来有效提取时间依赖关系，并且 JTFT 通过在时域中直接编码最近的数据点来增强局部关系的学习能力和减轻不稳定性的不 - 深度时间序列预测的完美之路：尊重时间序列属性
本文从时间序列属性的角度，对三种现有的时间序列深度预测机制或方法进行了严谨的分析和改进，并提出一种新的预测网络 RTNet，具有显著的预测性能和更好的时间复杂度和内存使用率。
- 分层正则化深度预测
本研究提出了一种可扩展的分层预测方法，利用基础时间序列的系数对分层约束进行建模，并使用一个随时间变化的线性自回归模型，同时考虑了相对时间序列预测的协调约束，实验证明该方法相较于现有分层模型具有显著的预测性能提升。
- 利用高阶张量递归神经网络进行长期预测
HOT-RNN 是一种用于多元预测的新型神经网络序列架构，通过学习非线性动态来解决高阶相关性和误差传播敏感性问题，并使用张量列车分解来减少参数。在模拟环境和实际时间序列数据上，相对于一般 RNN 和 LSTM 体系结构，它在长期预测方面表现