time series prediction | BriefGPT

关键词time series prediction

搜索结果 - 42

U 型 Transformer：在时间序列分析中保留高频上下文
时间序列预测是各个工业领域中的关键任务。近年来，具备变换器骨干的神经网络在计算机视觉和自然语言处理等多个领域中取得了显著成功。在时间序列分析领域，一些研究发现即使是最简单的多层感知机网络在时间序列预测任务上也能胜过先进的基于变换器的网络。然
PDFa year ago
可自解释的时间序列预测与反事实解释
该研究旨在通过提出可自我解释的 Counterfactual Time Series (CounTS) 模型，从而生成针对时间序列预测的反事实和可操作性解释，该模型可以提供更好的反事实解释，同时保持相当的预测准确性，并建立相应的评估方案。
PDFa year ago
ICML非自回归条件扩散模型用于时间序列预测
本文提出了一种基于 non-autoregressive diffusion model 的时间序列预测模型 TimeDiff，通过引入 future mixup 和 autoregressive initialization 两种新的条件
PDFa year ago
KDDEAMDrift: 一种可解释的时间序列自我再训练模型
本文介绍了一种名为 EAMDrift 的新方法，通过按照各自的性能度量加权每个预测，将多个单独预测器的预测组合起来。结果显示，该方法比个体基线模型表现优异 20％，并实现了与非可解释集成模型可比较的准确度结果，强调机器学习模型中可解释性的重
PDFa year ago
TLNets：用于长序列时间序列预测的转换学习网络
提出了基于变换的网络架构设计计划，包括傅里叶变换、奇异值分解、矩阵乘法和卷积块。这些变换机制在学习中具有增强的可接受范围，可以跨尺度融合特征。经过多次测试比较，基于该设计计划的 TLNets 在长期时间序列预测方面表现有明显的潜力。
PDFa year ago
智慧地铁：深度学习预测 MRT 3 号线的乘客量
该研究提供了一种时间序列预测方法，以预测菲律宾马尼拉地铁 3 号线每个站点在特定日期的未来客流量。（This study presents a time series prediction method to forecast the fu
PDFa year ago
针对地球系统变异应用的 Echo State Networks 分层相关性传播
本文介绍如何使用层次相关传播技术和回声状态网络模型来提高模型可解释性，并使用海温异常来预测厄尔尼诺南方涛动现象，可以应用于时序预测和图像分类。
PDF2 years ago
ICML使用可微分遗忘方法处理分布偏移下的时间序列预测
本文提出了一种基于加权经验风险最小化的方法处理时间序列预测中的分布偏移问题，具有遗忘机制和基于梯度的学习方法，可提高优化效率和参数灵活性。
PDF2 years ago
TSFEDL: 一个 Python 库，用于使用深度学习进行时间序列时空特征提取和预测（并带有有关详细网络架构和研究案例的附录）
本研究介绍了 TSFEDL 库，该库编译了 20 种时序特征提取和预测的先进方法，利用卷积神经网络和循环神经网络用于数据挖掘任务，结果表明该 Python 库有很高的实用价值。
PDF2 years ago
可解释的张量神经普通微分方程用于任意步时间序列预测
本文提出了一种新的连续神经网络框架 ETN-ODE，结合了可解释的 Tensorized Gated Recurrent Unit（Tensorized GRU）和普通微分方程（ODE），通过引入时间和变量注意力机制，创新性地解决了不同时间
PDF4 years ago
时序预测的深度学习：教程及文献综述
本研究是一篇对深度学习预测方法的综述性文章，包括了预测方法在时间序列预测、工业预测及建立模型等方面的应用，以及该方法的优点和研究方向。
PDF4 years ago
IJCAI通过联合建模多元关系结构演化进行时间属性预测
本文提出了一個新的框架 DArtNet，它利用了動態知識圖中的信息進行時間序列預測，經實驗證明可以提高預測準確率。
PDF4 years ago
用于推断非线性格兰杰因果关系的经济统计循环单元
本文提出了一种基于统计递归单元的组件时间序列预测模型来推断非线性相互作用随机过程的 Granger 因果关系，该模型通过生成回馈来计算其高维隐藏状态的低维草图，其内部权重参数有策略性地分组正则化以便于提取高度本地化的有意义预测特征。
PDF5 years ago
EA-LSTM: 基于进化注意力机制的 LSTM 时间序列预测
该研究提出了一种基于竞争性随机搜索的进化注意力 LSTM 模型，以解决 LSTMs 模型无法在多个时间步骤内对子窗口特征进行不同程度的关注的问题，并且实验结果表明，该模型能够达到与其他基准方法相当的预测性能。
PDF6 years ago
基于长短期记忆网络的时间序列预测深度学习
本文介绍 LSTM 模型的结构和前向传播机制，提出了 Random Connectivity LSTM（RCLSTM）模型，并通过在电信网络交通预测和用户移动性中的应用证明了 RCLSTM 模型可实现相同的预测准确性，同时具有计算复杂度更低
PDF6 years ago
Uber 时间序列的深度与可信预测
本文提出了一种新颖的端到端的贝叶斯深度模型，用于提供时间序列预测和不确定性估计，并成功地应用于 Uber 的大规模时间序列异常检测。
PDF7 years ago
IJCAI用于时间序列预测的双阶段注意力循环神经网络
提出了一种双阶段基于注意力机制的递归神经网络（DA-RNN）模型，该模型使用输入和时间注意力机制，能够更好地捕获时间序列的长期时间依赖关系和选择相关的驱动因素以进行预测。实验证明，DA-RNN 模型比时序预测中的现有模型更有效。
PDF7 years ago
用于多变量时间序列的循环神经网络，含缺失值
本研究提出一种基于 GRU 的深度学习模型 GRU-D，利用缺失模式中的缺失值及其时间间隔，成功地捕获时间序列中的长期时间依赖关系，提高了时间序列分类任务的预测性能，并为缺失值在时间序列分析中的更好理解和利用提供了有用的见解。
PDF8 years ago
针对时间序列数据的功率加权密度
通过提出一种快速有效的功率加权密度（PWD）方法，该方法允许在选定的时间序列模型中考虑非平稳性，同时比起流行的状态空间方法，我们的 PWD 框架是一种更简单的替代方案，并在 30 个行业组合的金融应用中表现出明显的预测性能优势。
PDF10 years ago
多输出支持向量回归用于多步预测时间序列
使用多输出支持向量回归（M-SVR）和多输入多输出（MIMO）策略，实现了多步预测；论文比较了三种预测策略，并提供了实际影响；结果表明，M-SVR 使用 MIMO 策略实现了最准确的预测，但计算成本较低。
PDF10 years ago