《TIMESNET: TEMPORAL 2D-VARIATION MODELING FOR GENERAL TIME SERIES ANALYSIS》的作者团队来自清华大学,发表在ICLR 2023会议上。
动机
时间序列分析在多个领域中具有重要应用,如天气预报、异常检测、动作识别等。时间序列数据通常包含复杂的时序模式,这些模式涉及多个混合和重叠的变化,使得直接从一维时间序列中建模时序变化变得非常具有挑战性。现有的时间序列分析方法,如基于RNN、CNN或Transformer的模型,虽然在某些任务上取得了进展,但仍存在局限性,尤其是在捕捉长期依赖关系和处理复杂时序模式方面。
该论文主要是为了解决现有时间序列分析方法在处理复杂时序模式时的局限性,通过引入二维表示和建模方法,提高模型在多个时间序列分析任务中的性能和泛化能力。
具体来说,论文的主要出发点包括:
-
现有方法的局限性:以往的方法尝试直接从一维时间序列数据中建模时序变化,但由于时间序列的复杂时序模式,这种方法面临极大挑战。这些模式可能包括多个混合和重叠的变化(如上升、下降、波动等),使得时序变化建模变得非常困难。
-
时间序列的多周期性:作者观察到实际的时间序列通常表现出多周期性,例如天气观测中的日常和年度变化&#