multivariate time series forecasting | BriefGPT

关键词multivariate time series forecasting

搜索结果 - 31

C-Mamba: 增强通道关联的状态空间模型用于多变量时间序列预测
提出了一种名为 C-Mamba 的基于状态空间模型的多变量时间序列预测方法，通过混合通道和通道注意力增强的方式来捕捉跨通道依赖关系，获得了在七个真实世界时间序列数据集上的最先进性能，同时其混合和注意力策略在其他框架中表现出强大的泛化能力。
PDFa month ago
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。
PDFa month ago
TwinS: 重思多元时间序列预测中的非平稳性
通过小波分析验证理论并提出基于 Transformer 的 TwinS 模型，通过 Wavelet Convolution、Period-Aware Attention 和 Channel-Temporal Mixed MLP 解决非平稳周
PDFa month ago
TimeCMA: 基于 LLM 的时间序列预测协同模态对齐
基于大规模语言模型和交叉模态对齐，提出了 TimeCMA 框架，用于多变量时间序列预测，实验证明其准确性和高效性。
PDFa month ago
ForecastGrapher：用图神经网络重新定义多元时间序列预测
ForecastGrapher 是一个框架，将多变量时间序列预测重新构想为节点回归任务，通过生成自定义节点嵌入、构建自适应邻接矩阵和增强节点特征分布的表达能力，引入 GFC-GNN 模型来捕捉复杂的时间动态和跨序列的相关性，通过大量实验证明
PDFa month ago
PDMLP：基于补丁的分解 MLP 用于长期时间序列预测
我们的研究通过改进 Transformer 架构，提出了一种基于 Patch 机制和线性层的新型解决方案 PDMLP，用于长期时间序列预测任务，并在多个真实数据集上实现了最先进的结果。
PDFa month ago
可解释的多元时间序列预测：神经傅里叶变换
该研究提出了神经傅里叶变换 (NFT) 算法，通过结合多维傅里叶变换和时间卷积网络层来提高预测准确性和可解释性，经过实证验证在多个预测时间范围和回顾期上表现出卓越性能，显著提高多变量时间序列预测的水平。
PDFa month ago
KDDGinAR: 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，
PDF2 months ago
DGCformer：多元时间序列预测的深度图聚类 Transformer
该论文提出了一种深度图聚类变压器（DGCformer），用于多元时间序列预测。它通过图卷积网络和自编码器首先将相关变量进行分组，然后使用通道依赖策略处理每个变量组，而对不同组则使用通道独立策略。八个数据集上的广泛实验结果表明了我们方法相对于
PDF2 months ago
CVTN：交叉变量和时间一体化用于时间序列预测
使用 Cross-Variable and Time Network (CVTN) 方法来解决多变量时间序列预测中的特征挖掘和避免过拟合的挑战，并在各种真实数据集上证实了其卓越性能。该方法强调时间序列预测的短期和长期性质、从历史和预测序列中
PDF2 months ago
SOFTS: 高效多变量时间序列融合预测
该研究论文提出了一种基于多层感知器的模型（SOFTS），它利用了一个新颖的 STar 聚合调度（STAD）模块，通过将所有系列聚合成一个全局核心表示，再与各个系列表示进行调度和融合，以有效促进通道间的交互，实现了优于现有最先进方法的性能，且
PDF2 months ago
顺序学习环境下的 COBRA 变体
该研究论文介绍了基于不同变化的组合回归策略的多变量时间序列预测的创新方法。我们使用特定的数据预处理技术，对预测行为产生了重大变化。通过两种类型的超参数调优方法，贝叶斯优化（BO）和常规网格搜索，我们比较了模型的性能。我们提出的方法在八个时间
PDF3 months ago
通过跨模态知识蒸馏来驯服预训练 LLMs 进行广义时间序列预测
利用大型语言模型和时间序列对齐框架，进行多元时间序列预测，同时充分发挥语言模型的潜力，建立了长期和短期预测的新的最先进方法。
PDF4 months ago
InjectTST: 将全局信息注入到独立通道的 Transformer 方法，用于长时间序列预测
提出了一种将全局信息注入通道独立 Transformer 模型的注入方法 InjectTST，通过通道标识符、全局混合模块和自我上下文注意力模块选择性地将全局信息逐渐注入各个通道，实现了通道混合，实验证明 InjectTST 相比最先进的模
PDF4 months ago
CATS: 通过构建辅助时间序列作为外生变量增强多元时间序列预测
多元时间序列预测中，深度学习应用发现，单变量模型常常优于多元模型。为解决多元模型的不足，我们引入一种构建辅助时间序列（CATS）的方法，它类似于二维时态上下文注意机制，从原始时间序列（OTS）中生成辅助时间序列（ATS），以有效地表示和整合
PDF4 months ago
基于互信息驱动的跨变量和时序建模的多元时间序列预测增强
通过引入 Cross-variable Decorrelation Aware feature Modeling (CDAM) 和 Temporal correlation Aware Modeling (TAM) 技术，本研究提出了一种新
PDF4 months ago
结构知识驱动的持续多元时间序列预测
通过结构知识驱动的连续学习框架 (SKI-CL)，在多元时间序列预测中，建立一个基于图结构学习的模型，并使用一致性正则化方案来优化预测目标，从而有效地处理不同阶段累积的多元时间序列数据，实现准确的预测和记忆依赖结构。
PDF4 months ago
ICLR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
PDF5 months ago
MSGNet：学习多尺度跨序列相关性用于多元时间序列预测
本文介绍了 MSGNet，一种先进的深度学习模型，通过频域分析和自适应图卷积来捕捉多个时间尺度下不同时间序列之间变化的相互关系，进一步展示了 MSGNet 学习可解释的多尺度时间序列间相互关系的自动能力。
PDF6 months ago
UniTime：跨领域时序预测的语言增强统一模型
提出了 UniTime 模型以解决跨领域时间序列学习中的挑战，通过灵活适应不同特征的数据、使用领域指令和语言 - 时间序列转换器来对齐模态，以及利用屏蔽来缓解领域收敛速度不平衡问题，从而大幅提升最先进的预测性能和零样本可迁移性。
PDF9 months ago