- FPN-fusion: 增强的线性复杂度时间序列预测模型
本研究提出了一种新颖的时间序列预测模型,FPN-fusion,具有线性计算复杂度,相比于 DLiner 具有更优越的预测性能而无需增加参数数量或计算需求。我们的模型引入了两个关键创新:首先,采用特征金字塔网络(FPN)有效地捕捉时间序列数据 - 基于空间平滑和序列一般变分模式分解的 LSTM 时间序列预测组合模型
基于顺序广义变分模态解耦和空间平滑长短期记忆神经网络的市场销售量时间序列预测方法能够提高市场销售量的预测准确性和对特定市场情境的准确性。
- 利用 2D 信息进行长期时间序列预测的 Vanilla Transformer
通过 Transformer 架构,GridTST 模型将时间序列数据视为网格,结合创新的多方向关注机制,同时考虑时间和变量维度,提升了分析能力,并在各种真实数据集上实现了最先进的性能。
- 储层核心模式空间中的预测建模
基于线性水库的核观点,提出一种时间序列预测方法,利用水库核的时间序列模式作为表示基础,并与最新的 Transformer 模型和 LSTM 模型进行实证实验比较,结果表明即使采用线性读出,我们的方法在单变量时间序列上能够超过 Transfo - AI 方法中时间序列预测的信号分解效能再探讨
时间序列预测是科学探索中的一个基本问题,人工智能技术极大地提高了其效率和准确性。本研究揭示了人工智能驱动的时间序列预测中信号分解方法的有效性存在挑战,数据集处理不当可能导致异常优越但具有误导性的结果。通过在没有未来信息的严格因果性方式处理数 - 利用无监督储备计算进行信号噪声分离
基于时间序列预测的信号 - 噪音分离方法,使用储备计算从给定信号中提取可预测信息。该方法能够估计噪音分布并间接评估信噪比,对各种信号和噪音组合都表现出强大的分离能力。
- 将领域微分方程纳入图卷积网络以降低泛化差异
将域差分方程纳入图卷积网络(GCN)中可以提高空时预测的准确性和鲁棒性,我们提出了 Reaction-Diffusion Graph Convolutional Network(RDGCN)和 Susceptible-Infectious- - 传统与新一代蓄水库计算的混合应用在动力系统精确高效预测中
基于混合模型的混沌动力系统时间序列预测方法能够提高计算效率和解决传统模型的局限性。
- AAAI基于一步微调的时间序列 Transformer 的域自适应
本文介绍了一种使用逐步解冻技术进行时间序列预测的预训练模型、有限数据目标域的逐步微调和源域数据的 “一步微调” 方法,通过实验证明该方法在室内温度和风力预测方面相较于其他方法有着 4.35% 和 11.54% 的性能提升。
- 股票数据时间序列预测中的高维神经网络
对三种用于时间序列预测的架构进行了测试,它们分别包含卷积层、LSTM 层和密集超复数层用于 4D 代数。通过优化与架构类别相关的超参数,比较了最佳神经网络在类别内的性能。结果显示,在大多数情况下,具有超复数密集层的架构与其他架构相比,提供了 - 预测动态图的结构
本文介绍了一种基于时序方法和通量平衡分析的方法,用于预测未来时间点的图结构,并在合成和实际数据集上验证了其效用和适用性。
- 光伏电力预测基于量子机器学习
通过混合量子神经网络,该研究提出了两种模型来预测太阳能电池板的功率输出,其中第一种模型表现最好,降低了超过 40% 的平均绝对误差和平均平方误差;第二种模型则在没有气象数据的情况下,以比传统模型低出 16% 的平均绝对误差预测光伏功率,展现 - CGS-Mask: 使时间序列预测变得直观的方法
CGS-Mask 是一个后期处理的、与模型无关的基于细胞遗传剥离蒙版的重要性评估方法,通过将连续的时间步骤作为一个整体来评估特征对最终预测结果的影响,提供时间上的二进制和持续的特征重要性评分。CGS-Mask 在合成数据集和实际数据集上进行 - 现实世界中的 GVFs:在线为水处理进行预测
使用基于强化学习的预测方法研究实际饮用水处理厂,描述数据集中的挑战和使用离线数据预训练临时差异学习代理的方法,并证明实时适应预测对于实际非平稳的大容量系统至关重要。
- 连续的模型不可知元学习用于小样本故障时间序列预测
通过引入一种新颖的 “伪元任务” 分割方案,将连续时间序列作为伪元任务,使我们的方法从数据中提取更全面的特征和关系,从而实现更准确的预测。此外,我们引入了一种差分算法来增强我们的方法在不同数据集上的鲁棒性。通过对几个故障和时间序列预测数据集 - PrACTiS: 基于感知与注意力的时间序列联合模型
本研究通过将感知机制与 copula 结构相结合,提出了一种模型,以增强时间序列预测。通过将感知机作为编码器,我们将复杂的、高维度、多模态数据有效地转化为紧凑的潜在空间,从而大大降低计算要求。我们进一步引入中点推断和局部注意机制来降低复杂度 - TrTr:一种基于 Transformer 的多功能预训练大型交通模型,用于捕捉车辆群体中的轨迹多样性
使用 Transformer 技术,通过分析其注意机制并设计特定的预训练任务,可以学习车辆群体内轨迹的多样性,同时预训练模型在捕捉车辆群体的空间分布方面表现出色,并能准确预测时间序列中的轨迹速度。
- Transformer 与 LSTM 在电子交易中的对比
通过比较多种基于 LSTM 和 Transformer 的模型在高频限价盘数据上的多个金融预测任务中的表现,研究发现 Transformer-based 模型在绝对价格趋势预测方面仅具有有限优势,而基于 LSTM 的模型在价格差异和价格变动 - 时序预测的共形 PID 控制
我们研究了时间序列预测的不确定性量化问题,旨在提供易于使用且具有形式保证的算法。我们提出的算法基于符合性预测和控制理论的思想,能够在在线环境中前瞻性地模拟符合性得分,并能适应由季节性、趋势性和一般分布变化引起的系统误差。我们的理论简化和加强 - 基于 VSXC-LSTM 算法的滑坡地表位移预测
利用变分模态分解方法进行时间序列预测,可以更准确地预测滑坡表面位移。