时间序列分析 | Python实现STID多元时间序列预测
预测结果
基本介绍
多元时间序列 (MTS) 预测在广泛的应用中起着至关重要的作用。最近,时空图神经网络 (STGNN) 因其最先进的性能而成为越来越流行的 MTS 预测方法。然而,最近基于 STGNN 的方法变得越来越复杂,但性能改进有限。这种现象促使我们探索 MTS 预测的关键因素,并设计一个与 STGNN 一样强大但更简洁高效的模型。在本文中,我们将样本在空间和时间维度上的不可区分性确定为关键瓶颈,并通过附加空间和时间身份信息 (STID) 为 MTS 预测提出了一个简单而有效的基线。 STID 基于简单的多层感知器 (MLP) 同时实现最佳性能和效率。这些结果表明,通过解决样本的不可区分性,我们可以更自由地设计模型,而不仅限于 STGNN。