- 博客(15)
- 收藏
- 关注
RSS订阅原创 Robust Multivariate Time Series Forecasting against Intra- and Inter-Series Transitional Shift
3.
2026-01-16 16:21:32
622
原创 TFDS阅读笔记
时域包括平稳与非平稳部分。针对时域构建MOE滤除非平稳时间序列采用Non-stationary MoE Filter 取动态提取和去除非平稳模式，基于平稳残差对长期依赖性进行建模首先应用。
2026-01-04 21:15:30
342
原创 Koopa: Learning Non-stationary Time Series Dynamics with Koopman Predictors--学习笔记
这篇论文提出了将Koopa应用到非平稳时序预测的方法，目的为解决非平稳时间序列预测的任务，使得模型不在拘泥于将序列从非平稳变成平稳的之后再去预测，而是将数据分成1.时变（长期特征、共有全局共享）2.时不变部分，这一部分的变化导致了时间序列的漂移，作者通过将这个序列映射到高维空间，完成了对时变部分分布变化的学习。
2025-12-29 21:34:53
752
原创 Non-stationary Transformers: Exploring the Stationarity in Time Series Forecasting阅读笔记
采用归一化后的数据去用transformer去学习其特征，由于数据过于平稳，模型无法学习到时间序列的不稳定因素（例如均值和方差不同的两组数列，归一化后他们的均值方差都一样了，无疑丢失了一些信息），论文称这种现象为过度平稳化。通过修改TransFormer架构，提出可以学习到时间动态特征，数据漂移的attention机制。对注意力机制中的查询（Q）和键（K）进行归一化（Stationarization）主要是为了。，使其能够广泛应用在以注意力为结构核心的Transformer及其变体上，在提高。
2025-12-27 19:31:51
313
原创 Adaptive Normalization for Non-stationary Time Series Forecasting: A Temporal Slice Perspective阅读笔记
总结：作者在RevIN的基础上，提出SAN方法，将实例级归一化细化到patch（slice）级，对每个patch分别进行归一化，（1）归一化数据预测，（2）专门训练模型对未来patch的均值、方差的预测。论文链接：Adaptive normalization for non-stationary time series forecasting | Proceedings of the 37th International Conference on Neural Information Processing
2025-12-26 09:14:18
331
原创 Dish-TS FAN
输入与输出之间的分布变化，其主要驱动力可以归结为那TOP-K个主导频率成分的变化。图中1.2.3中虽然均值、方差相同但是对应波形不同，当前数据处理的弊端：（1）无法检测到数据的变化：虽然均值、方差相同但是对应波形不同，（2）假设输入输出的分布不变（例如RevIN）DFT & IDFT目的：解决输入输出之间的潜在偏移（认为输入输出的偏移是由于Foulier的前k个赋值变化引起的）
2025-11-26 22:00:27
758
原创 ImportError: Attempted relative import with no known parent package（导入错误：尝试相对导入但没有已知的父包）。我们将了解这个错误的原
在使用相对导入时，确保导入的模块所在的文件夹被正确地组织为一个package。一个正确的package应该包含一个。在这个例子中，my_package是已知的父包，module1是相对导入的目标模块。解决这个错误的方法主要取决于出现错误的具体情况。.py文件，它可以是一个空文件。
2025-11-02 18:05:05
349
原创 TIMEMIXER++: A GENERAL TIME SERIES PATTERN MACHINE FOR UNIVERSAL PREDICTIVE ANALYSIS
即p x f x d，d是多个平行的图的数量，p是列数，f是行数，在计算列注意力时，将p看作批次，对f和d进行注意力处理，这样即节省了运算，有使得计算有了突出点，增强了运算。的操作：类似于通过FFT得到了不同的周期分量，使得多种patch_size的设定更加贴合数据样本，同样的多种patch的方法在。中的多尺度patch_size是预设的，是通过训练去调优不同的patch的权重，在此例中各种patch的权重被A代替。一个频率对应一个周期长度。注：图中为3个规格的时间序列，进行三个频率的多分辨率图像的生成。
2025-10-28 19:33:45
1125
原创 Learning Pattern-Specific Experts for Time Series Forecasting Under Patch-level Distribution Shift
我们定义 K 个子空间，每个子空间有一组基向量 D(j)∈Rq×d，其中 q=C×D 是嵌入向量的总维度，d 是子空间的维度。
2025-10-27 15:53:29
735
原创 时间序列预测经典数据集
简介：记录了2020年德国21个气象站每10分钟一次的各种天气测量数据。典型任务：多变量多步预测。给定过去N个时间步的所有天气变量，预测未来M个时间步的所有或部分天气变量（如未来12小时的温度和湿度）。
2025-10-25 17:02:06
963
原创 MC-ANN学习笔记
本文提出了一种基于混合高斯模型（GMM）和深度学习的水位预测方法。通过对历史水位数据进行一阶差分和标准化预处理后，分别构建点级和段级GMM模型提取特征。点级GMM关注单个时间点的分布特性，段级GMM分析时间序列片段（72小时）的整体形态特征。通过EM算法拟合GMM参数后，将两种特征经混合聚类策略处理后输入权重注意力网络（WAN）。WAN采用Transformer结构为多个LSTM预测器（AEF）分配动态权重，其中每个AEF专注于不同模式（如正常或极端事件）的预测。该方法利用15天历史数据（T=360）预测未
2025-10-21 21:43:48
886
1
原创 HyperIMTS超图模型预测不规则时间序列的学习笔记
本论文学习了一种将不规则多元序列进行预测的方法，以往的时间序列是多元的但是规则的，即每个时间戳对应的特征数（即变量数）都是对齐的，IMTS即一个时间戳检测到的特征值不全。原始IMTS样本 → 超图表示 → 三层消息传递（节点↔超边） → 节点嵌入更新 → 预测输出样本表示：每个样本是一个观测元组集合：其中：tj：时间戳 tzj：观测值 Vuj：变量编号 UQi即（tj,uj）目标构建预测模型：变量编号是时间序列的特征编号吗？在规则MTS中，数据是一个整齐的矩阵 。每个时间点，所有变量都有观测
2025-10-16 21:06:40
999
原创 数据处理方式
本文摘要： PatchTST通过将多变量时间序列分解为单变量序列并分块处理，提升Transformer效率。TimeMixer采用多尺度序列生成和移动平均分解，自底向上传递季节性信息，自顶向下传递趋势信息，通过PDM模块实现特征混合。WPMixer引入小波分解，保留多级细节系数以捕捉突发特征，通过PatchMixer和EmbeddingMixer分别在时间和特征维度混合信息，最后重建预测结果。两种方法均通过分块和混合策略增强模型对时序数据的多尺度特征捕捉能力，显著提升预测鲁棒性。
2025-10-15 20:46:39
659
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人