time series forecasting | BriefGPT

关键词time series forecasting

搜索结果 - 197

时间序列预测的多分辨率标记化及其在定价中的应用
我们提出了一种用于时间序列预测的 Transformer 架构，重点在于时间序列的分词，并将其应用于来自定价领域的真实预测问题。我们的架构旨在同时学习所有可用数据的多个尺度上的有效表示。模型包含几个创新模块：采用多个分辨率的时间序列分割、用
PDF3 days ago
KDD处理时间序列预测中的预测延迟：采用导数正则化的连续 GRU 方法
传统时间序列预测任务的新视角和通过时间导数正则化减小预测延迟的一种新解决方案。采用基于神经元常微分方程的连续时间门控循环单元（GRU）可以监督显式的时间导数，方法在 MSE、动态时间规整和时间扭曲指数等指标上优于其他方法，并在多个数据集中展
PDF7 days ago
IJCAI深度频率导数学习用于非平稳时间序列预测
我们提出了一种基于频率导数学习的非平稳时间序列预测框架 DERITS，通过整个频率谱将时间序列进行转换，使其从频率角度充分利用数据分布，从而在时间序列预测和分布偏移方面表现出持续的优越性。
PDF7 days ago
分量可交换性的一致时间序列分解
本文提出了一种新颖的使用具有时间序列分解的符合预测时间序列预测方法，在每个分量上应用特定的符合算法，然后合并所得预测区间，以适应不同分量之间的不同可交换性情况。该分解方法在合成和现实数据上进行了详细讨论和经验评估，发现该方法对结构良好的时间
PDF12 days ago
语言模型对时间序列预测是否真的有用？
在大型语言模型中，尤其是在时间序列预测方面，进行了一系列消融研究，发现移除语言模型组件或用基本的注意力层替换并不降低预测结果，甚至在大多数情况下结果有所提升。此外，预训练的语言模型并不比从头开始训练的模型更好，不能准确表示时间序列中的顺序依
PDF14 days ago
多元变压器增强太阳能驱动器预测
我们开发了一个使用时间序列 Transformer（PatchTST）的全面框架来预测 F10.7、S10.7、M10.7 和 Y10.7 太阳驱动因子。我们构建了一个定制的损失函数来加权样本，以确保太阳驱动因子的历史分布和训练集之间的距离
PDF14 days ago
利用点预测器增强预测区间的可靠性：异方差分位回归和宽度自适应符合推论
通过提出 HQR 模型和 WACI 方法，我们在电力价格预测等复杂时间序列预测场景中评估预测间隔的有效性、效率以及关键特征的满足，克服了仅依靠点预测器构建预测间隔的复杂挑战。
PDF15 days ago
SAGDFN：用于多变量时间序列预测的可扩展自适应图扩散预测网络
为了提高多变量时间序列预测任务的性能，我们提出了一种可扩展的自适应图扩散预测网络（SAGDFN），用于捕捉大规模多变量时间序列数据中的复杂时空相关性。该方法在拥有数千个节点的数据集上表现出色，并且不需要先验的空间相关知识。通过大量实验证明，
PDF18 days ago
WindowMixer：时间序列预测中的窗口内和窗口间建模
基于全 MLP 框架，WindowMixer 模型通过窗口视角检查时间序列的时间变化，将时间序列分解为趋势和季节性组件，并使用 Intra-Window-Mixer 和 Inter-Window-Mixer 模块处理窗口间和窗口内的关系，从
PDF22 days ago
增强解码器：训练递归神经网络进行时间序列预测
本研究提出了一种名为增强解码器的新型训练方法，通过引入辅助模型生成备用解码器输入来解决多步骤时间序列预测中的累积误差问题，并利用强化学习算法动态选择最优输入以提高准确性。综合实验表明，该方法在多个数据集上优于常见训练方法。此外，该方法在基于
PDF22 days ago
KDDFredformer: 为时间序列预测提供频率无偏的 Transformer
本文介绍了一种基于 Transformer 的框架 Fredformer，用于准确预测时间序列数据，该框架通过均匀地学习不同频带的特征来减轻频率偏差，并且引入了一个轻量级变种的 Fredformer，其参数更少、计算成本更低，但性能仍然可与
PDF23 days ago
一种基于语言模型的挖掘时序数据分布变化的框架
使用大型语言模型和数据源接口来探索和收集时间序列数据集的方法，扩大数据量以应对限制或缺乏关键属性的原始数据，有效补充现有数据集，尤其在数据分布变化方面。演示了通过实际示例证明了收集数据集的有效性，并展示了在这些数据集上进行微调的时间序列预测
PDFa month ago
优化时间序列预测架构：一种层次神经架构搜索方法
我们提出了一种新颖的层次神经架构搜索方法，用于时间序列预测任务，在长期时间序列预测任务中，我们的方法可以搜索跨不同预测任务的轻量高性能预测架构。
PDFa month ago
TDT 损失全能：将目标之间的时间依赖性纳入非自回归时间序列预测
通过采用差分方法表示 TDT 并提出了一种无参数的插拔式解决方案 TDT Loss，该解决方案通过适应权重动态平衡目标预测和精细化 TDT 拟合，从而显著提高了非自回归模型的预测性能。
PDFa month ago
时间筛：通过信息瓶颈提取时间动态
我们提出了一种创新的时间序列预测模型 TimeSieve，通过使用小波变换预处理时间序列数据并引入信息瓶颈理论过滤冗余特征，提高了预测准确性和泛化能力，解决了时间序列预测中的关键问题。
PDFa month ago
时间序列预测的自适应多尺度分解框架
我们提出了一种新颖的基于 MLP 的自适应多尺度分解 (AMD) 框架用于时间序列预测，该框架在多个尺度上将时间序列分解为不同的时间模式，并利用多尺度分解混合 (MDM) 模块将这些模式进行拆分和聚合，通过双重依赖交互 (DDI) 模块和自
PDFa month ago
混合模型：有效地对多变量时间序列进行建模的二维状态空间模型
用两个输入依赖的二维状态空间模型头来学习长期进展和季节模式，提高多元时间序列建模的表达能力和性能。
PDFa month ago
随机扩散：一种用于随机时间序列预测的扩散概率模型
通过利用扩散概率模型和随机扩散（StochDiff）模型，本研究提出了一种新型方法，学习每个时间步长的数据先验知识，从而更好地对高度随机化的时间序列进行建模，通过实验验证了该方法在随机时间序列预测中的有效性，并展示了在实际医疗指导中的应用潜
PDFa month ago
时间序列的科尔莫戈洛夫 - 阿诺德网络：预测能力与可解释性之间的桥梁
Kolmogorov-Arnold Networks (KAN) 是 MIT 团队最近提出的一种划时代的模型，提供了一种具有改变游戏规则潜力的创新方法。本文探讨了 KAN 在时间序列预测中的应用，并提出了两个变体：T-KAN 和 MT-KA
PDFa month ago
CondTSF：时间序列预测数据集简化的一行插件
基于对时间序列预测数据集的理论分析，我们提出了一种针对时间序列预测的数据集精简方法 CondTSF，通过将 CondTSF 插入到先前的数据集精简方法中，减小了使用全数据集和使用合成数据集训练的模型之间的预测差距，从而提高了性能。我们在八个
PDFa month ago