- 揭示空间时间遮挡自编码器在多变量时间序列预测中的威力
该研究提出了一种基于空间 - 时间蒙面自编码器(STMAE)的多元时间序列(MTS)预测框架,利用蒙面自编码器来增强空间 - 时间基线模型的性能,并通过在多个 MTS 基准上进行广泛实验来证明其在提高 MTS 预测能力方面的潜力。
- 通过分解适应提高时间序列预测的可传递性
本研究提出了一种基于深度学习的新颖转移架构 SeDAN,通过从跨域数据集中对可转移的知识进行对齐来提高目标领域的预测性能,采用隐式对比分解来对原始特征进行分解,并针对不同域的分解特征设计相应的适应性方法,实验表明 SeDAN 可以提供更高效 - 跨变量依赖模型的现代卷积在多元时间序列预测中的应用
本文提出了一种基于卷积神经网络和大内核的先进纯卷积结构,用于捕捉多变量时间序列中的跨时间和跨变量依赖关系,实验结果表明这种方法在时间序列预测中获得了最先进的性能。
- 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。
- 轻采样导向的 MLP 结构在多元时间序列快速预测中的应用
本文介绍了 LightTS,一种基于简单的 MLP 结构和两种精细的下采样策略的轻量级深度学习架构,用于多元时间序列预测,它具有高效、鲁棒和与先前 SOTA 方法相比更好的性能优势。
- 多元时间序列预测的演化和多尺度图结构学习
本研究提出了一种基于层级图结构和扩张卷积的时变序列的预测方法,该方法使用一系列的邻接矩阵来表示不断演化的变量之间的相关性,并通过一个统一的神经网络模型来捕捉它们之间的动态和多尺度的交互作用,实验表明该方法在单步和多步预测任务中均优于现有的方 - 基于动态图神经 ODE 的多元时间序列预测
本文提出了一种使用动态图神经普通微分方程(MTGODE)来预测多元时间序列的连续模型,旨在解决离散神经网络在捕捉稳定和精确的时空动态时所遇到的困难。我们的实验证明了该方法从多种角度在五个时间序列基准数据集上的超越性。
- AAAI融合近期和远期视野,实现更好的预测
通过融合跨时间未来视图来改善多元时间序列预测的准确性,使用了多级表达法神经网络和卷积神经网络提取多层抽象表示。在三个实际数据集上的实验证明,与现有技术基准方法相比,我们的方法在 RMSE 度量上平均降低 4.59%,MAE 度量上平均降低 - AAAI利用局部和全局时间动态进行多元时间序列预测建模与缺失值处理
研究多元时间序列预测模型中解决缺失值问题,提出了一种新的组合局部和全局时间动态的框架 LGnet,并探索了记忆网络和对抗训练的应用,实验证明其在不同缺失比例下的预测有效性和健壮性。
- AAAI基于记忆网络的多元时间序列预测解决方案
提出了一种名为基于记忆的时序网络的深度学习模型,具有较强的可解释性,旨在解决传统方法无法捕捉复杂模式或在多重变量中融合信息的问题。
- SIGIR利用深度神经网络建模长短期时间模式
本文提出了一个新的深度学习框架 —— Long- and Short-term Time-series network (LSTNet), 用于解决多元时间序列预测等问题,并在复杂混合循环模式数据上实现了显著的性能提升。