time series forecasting | BriefGPT

关键词time series forecasting

搜索结果 - 195

时间序列预测的层次分类辅助网络
我们提出了一种使用交叉熵损失对时间序列数值进行分词训练预测模型的新方法，通过整合多层次的高熵特征，使用层次感知注意模块，分配类标签并使用不确定性感知分类器来减轻预测中的过度自信，同时通过层次一致性损失保持预测结果的一致性。在多个真实世界数据
PDFa month ago
自注意力是否对时间序列预测有效？
我们介绍了一个新的架构，交叉注意力时间序列变换器（CATS），它通过消除自注意力并利用交叉注意力机制来重新思考传统 Transformer 框架，不仅提高长期预测精度，还减少参数和内存使用。大量对各种数据集进行的实验表明，我们的模型在最小均
PDFa month ago
ROSE: 基于注册辅助的泛时间序列预测与分解频率学习
ROSE 是一种基于预训练的时间序列预测模型，通过使用分解频率学习和时间序列寄存器来获取统一的跨域表示，并在下游任务中进行领域自适应转移，取得了与现有方法相媲美甚至更优越的预测性能。
PDFa month ago
时间序列预测的标度律
时间序列预测的缩放定律理论解释了深度学习方法在时间序列预测中的表现不尽相同，必须考虑数据集大小、模型复杂度以及时间序列粒度，特别注重未被研究的回顾时间范围的影响，实证评估了多个模型，验证了在时间序列预测领域数据集大小和模型复杂度的缩放定律有
PDFa month ago
上下文时间序列预测器
近期基于 Transformer 的大型语言模型展示了在提供的上下文情况下学习各种函数的能力，而无需更新模型参数。为了充分利用上下文能力进行时间序列预测问题，我们将 “时间序列预测任务” 重新构建为输入令牌，通过生成一系列（回顾，未来）对。
PDFa month ago
Time-FFM: 面向时间序列预测的基于 LM 增强的联邦基础模型
提出了一种基于预训练模型的联邦时间序列预测模型 (Time-FFM)，通过将时间序列转化为文本标记的形式来进行时间序列推理，并采用个性化联邦训练策略，取得了比现有方法更好的性能，有望实现有效的少样本和零样本预测。
PDFa month ago
TimeMixer：可分解的多尺度混合用于时间序列预测
利用多尺度混合的方法进行时间序列预测，通过提取微观和宏观信息来解决复杂的时间变化，并通过 Past-Decomposable-Mixing (PDM) 和 Future-Multipredictor-Mixing (FMM) 块实现全面的多
PDFa month ago
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。
PDFa month ago
大型时间序列模型的尺度定律
基于大规模语言模型的缩放定律已经在如何训练规模更大的模型以获得可预测的性能提升上提供了有用的指导。该研究表明，基于解码器的时间序列变换模型也展示了与语言模型类似的缩放行为，对于广泛范围内的架构细节（纵横比和头数）几乎没有影响。我们汇集了大量
PDFa month ago
WEITS：一种用于可解释时间序列预测的小波增强残差框架
通过多层小波分解和正反向残差结构，WEITS 将频率分析引入高度深度学习框架，拥有较强的表示能力和统计解释能力，实验证明其在时间序列预测方面具有竞争力的性能和高计算效率的额外优势。
PDF2 months ago
Kolmogorov-Arnold 网络（KANs）用于时间序列分析
通过将 Kolmogorov-Arnold Networks (KANs) 应用于时间序列预测，利用它们的自适应激活函数来增强预测建模能力。证明了在实际卫星流量预测任务中，KANs 相对于传统的多层感知机 (MLPs) 能够以更准确的结果和
PDF2 months ago
时间证据融合网络：长期时间序列预测中的多源观点
提出了一种新颖的时间序列预测模型基于信息融合的视角，引入了基本概率分配 (BPA) 模块和时间证据融合网络 (TEFN)，基于证据理论，从多源信息融合的角度有效提高了预测的准确性，同样具有较好的解释性，且在实验中表现出了较高的鲁棒性和稳定性
PDF2 months ago
WWW智慧城市中的不变时间序列预测
在智慧城市的变革环境中，将前沿的网络技术与时间序列预测相融合，为城市规划、可持续发展和经济增长提供了重要机遇。深度神经网络的进步显著提高了预测性能，然而，这些模型对于不同于训练数据分布的时间序列数据的泛化能力仍然存在挑战。我们提出了一种在不
PDF2 months ago
利用粗化策略提升多层感知机在长期时间序列预测中的性能
基于卷积的 Coarsened Perceptron Network (CP-Net) 提出，通过提取短期语义和上下文模式来提高多层感知机（MLPs）的预测能力，具有简单的架构和低运行时间，相较于 SOTA 方法改进了 4.1% 以上，窗口
PDF2 months ago
探索利用模态分解的混合方法比全深度学习模型更有效的流体动力学预测
本研究通过应用时间序列预测到流体动力学问题中，测试了基于深度学习的三种自回归模型，其中一个是与深度学习相结合的混合模型。研究发现，混合模型在具有湍流特性的实验数据中产生更可靠的预测，因为它借助模态分解从物理学角度提取了物理特征，从而实现了对
PDF2 months ago
傅立叶级数引导的量子卷积神经网络设计，用于增强时间序列预测
应用 1D 量子卷积解决时间序列预测任务，通过将多个点编码到量子电路中预测后续数据，每个点转化为一个特征，将问题转化为多维问题。基于之前研究中 Variational Quantum Circuits (VQCs) 可以表示为多维傅里叶级数
PDF2 months ago
将 Mamba 和 Transformer 整合用于长短程时间序列预测
在这篇论文中，我们提出了一种混合框架 Mambaformer，该框架在内部结合了 Mamba 和 Transformer 架构，用于长短范围的时间序列预测，并通过比较研究表明，Mambaformer 系列可以在长短范围的时间序列预测问题中胜
PDF2 months ago
时间序列预测中位置编码的引人注目特性
Transformer-based methods have made significant progress in time series forecasting, but research on positional encoding
PDF3 months ago
数据集相似性和多样性对时序预测中的迁移学习成功的影响
通过在相似或多样化的源数据集上进行预训练，模型在利用迁移学习增强目标数据集的时间序列预测效率和准确性方面发挥关键作用。本研究通过对五个公开源数据集以及包括实际批发数据在内的五个目标数据集的预测结果进行系统评估，确认了基于特征的相似性和多样性
PDF3 months ago
从相似到卓越：用于时间序列预测的通道聚类
时间序列预测中，通过引入一种能平衡个体通道处理和通道间关联的渠道策略，我们研发了可提升预测性能的通道聚类模块。在实验中，该模块通过提高长期和短期预测的性能分别平均提升 2.4% 和 7.2%，并使得主流时间序列预测模型能够进行零 - sho
PDF3 months ago