- 博客(28)
- 收藏
- 关注
RSS订阅原创 TEMPO论文解析
论文背景与动机本文《TEMPO: Prompt-based Generative Pre-trained Transformer for Time Series Forecasting》探讨了在时间序列预测中引入生成式预训练Transformer（GPT）框架的潜力。尽管深度学习模型（如RNN、CNN、Transformer等）已取得显著成果，但这些模型通常依赖特定领域的数据训练，难以适应跨领域任务。
2024-12-04 11:24:16
1365
原创 RLTF论文解析
基于这些发现，文章通过理论证明和实证分析提出了一些改进的基准方法，以便更公平地比较 LTSF 方法，同时探讨了线性模型在多变量时间序列预测中的局限性，如跨通道不同周期特性的处理。该研究重新定义了线性模型在长期时间序列预测中的定位，强调了其在效率和解释性上的优势，同时揭示了其局限性和改进方向。未来研究可在非线性处理和跨领域应用方面进一步提升该方法的能力。本文重新探讨了长期时间序列预测（LTSF）中线性映射方法的有效性，并通过理论和实验分析，揭示了其关键机制和局限性。
2024-12-01 11:24:50
491
原创 DiPE-Linear论文解析
DiPE-Linear（Disentangled Interpretable Parameter-Efficient Linear）模型针对长期时间序列预测（LTSF）中的效率与可解释性问题，提出了一种结合频域和时域的模块化线性网络。模型通过三大核心模块：静态频率注意力（SFA）、静态时间注意力（STA）和独立频率映射（IFM），实现了参数效率与分离式表示，显著提升了性能。通过以上分析，DiPE-Linear模型在效率、可解释性和适应性上展现了优异的潜力，但未来的研究可以进一步扩展其应用范围和理论深度。
2024-12-01 11:16:26
584
原创 MLinear论文解析
旨在解决传统时间序列预测方法在处理通道独立性（Channel Independence, CI）和通道依赖性（Channel Dependence, CD）两种特性上的局限性。作者通过动态调节这两种特性，实现了在不同数据集和时间序列语义上的预测性能提升。MLinear模型通过高效结合通道独立性和通道依赖性特性，为时间序列预测提供了一种简单而有效的解决方案，展现了极强的预测能力和计算效率。在未来的研究中，可以进一步挖掘其理论潜力和跨领域的应用价值。这篇论文提出了一种用于时间序列预测的混合线性模型。
2024-12-01 11:11:27
862
原创 FITS论文解析
高效性：DLinear模型的线性结构可以大大减少计算负担，尤其是在长序列预测时，避免了传统深度学习模型中常见的过度计算问题。解释性强：DLinear的简单线性层使得模型结果更容易解释，能够清晰地识别和分析时间序列数据中的趋势部分。能够捕捉复杂特征：频域处理结合了周期性特征的提取，对于具有周期性变化的数据（如金融数据、气象数据等）具有较强的适应性。结合多种方法：通过结合复杂的频域处理和DLinear的简化建模，模型能够充分利用数据中的信息，并避免过拟合。
2024-11-05 22:36:40
1083
原创 LiNo论文解析
LiNo方法在时间序列分解和组合预测上具有较强的创新性，其递归残差分解方法能够有效捕捉线性和非线性模式，适合多种复杂场景。尽管在某些方面仍存在参数敏感和计算成本的问题，但在应用于高噪声或不稳定的时间序列预测任务中具有较强的潜力。重试删除固定复制播放。
2024-10-29 22:01:33
876
原创 N-BEATS论文解析
论文《N-BEATS: Neural Basis Expansion Analysis for Interpretable Time Series Forecasting》提出了一种基于深度学习的时间序列预测架构，称为N-BEATS，旨在解决单变量时间序列的点预测问题。N-BEATS 采用残差连接和全连接层的深度堆叠，提供了可解释的预测结果，并展示了其在多个重要时间序列数据集（如 M3、M4 和 TOURISM 数据集）上的性能优势。
2024-10-19 17:35:12
1090
原创 MICN论文解析
该论文介绍了一种新颖的时序预测模型，名为MICN（Multi-scale Interacting Convolutional Network，多尺度交互卷积网络）。MICN 旨在更好地捕捉时间序列数据的多尺度特征和不同时间段之间的相互关系，以提高预测的准确性。
2024-10-19 17:24:53
1199
原创 D-PAD论文解析
该论文提出了一种名为D-PAD（Deep-shallow multi-frequency Patterns Disentangling）的深度-浅层多频率模式解缠网络，用于时序预测。D-PAD 的目标是通过分离复杂的时序信号，特别是多频率混合模式，来提高时序预测的精度。它结合了浅层的多组件分解（MCD）和深度的分解-重构-分解（D-R-D）模块，逐层提取时序信号中的频率信息，并通过交互融合模块（IF）分析和整合组件。D-PAD 在时序预测任务中通过创新的多频率模式解缠技术，实现了显著的性能提升。
2024-10-19 17:11:19
1076
9
原创 PatchMixer论文解析
论文概述这篇论文提出了一种名为PatchMixer的新型深度学习模型，用于解决长时间序列预测（LTSF）的挑战。与当前流行的Transformer和多层感知器（MLP）模型不同，PatchMixer 通过引入“补丁混合”设计，结合了基于深度可分离卷积（DWConv）的CNN架构，以提高预测准确性和效率。实验结果表明，该模型在多个时间序列数据集上，优于现有的先进模型，特别是在均方误差（MSE）和平均绝对误差（MAE）等评估指标上实现了显著提升。
2024-10-16 12:02:12
1121
原创 基于离群点修正、优化分解和DLinear模型的多步风速预测方法
本文提出了一种结合离群点修正、启发式算法、信号分解方法和DLinear模型的混合风速预测模型。该模型包括三个主要步骤：首先，通过检测并替换风速序列中的离群点，以减少其对预测精度的影响。接着，经过HI处理的序列通过改进的变分模态分解 (IVMD)被分解为多个子序列，IVMD的超参数通过灰狼优化 (GWO)进行了优化。最后，每个子序列使用DLinear模型进行预测，预测结果再重建以得到最终的风速预测。
2024-10-15 22:22:29
952
原创 FREDF论文解析
本文提出了一种新的频域时序预测方法，称为FREDF（Frequency-enhanced Direct Forecast），旨在解决当前时序预测模型忽略标签序列自相关性的问题。传统的直接预测（DF）方法在生成多步预测时，假设每个预测步是相互独立的，然而实际中，标签序列往往具有强烈的自相关性。FREDF通过在频域中进行预测来绕过标签自相关性的问题，并且与现有多种时序预测模型兼容。以下是本文的详细翻译及分析。
2024-10-14 16:45:43
1049
原创 FAITH论文解析
本文提出了一种新颖的时序预测模型——FAITH(Frequency-domain Attention In Two Horizons)，其目标是在频域和时间域中分别捕捉时序数据的趋势和季节性成分，从而提高复杂时序预测的准确性。频率通道特征提取模块（FCEM）和频率时间特征提取模块（FTEM），通过在频域进行特征提取，减少了模型计算复杂度，并增强了模型在处理多变量时序数据中的全局依赖能力。
2024-10-14 16:30:00
974
原创 FTMLP论文解析
论文《FTMLP: 基于特征-时间块的多变量时间序列预测中的MLP》提出了一种通过在MLP框架中引入特征-时间块（FTB）来改进多变量时间序列（MTS）预测的新方法。
2024-10-09 19:46:54
739
原创 LightTS论文解析
LightTS方法的核心在于使用轻量化的数据降维和序列建模策略来处理大规模时间序列数据。通过一种高效的特征提取机制，LightTS能在保证预测精度的前提下大幅度减少数据处理所需的时间和计算资源。
2024-10-09 10:15:38
865
原创 TiDE论文解析
这篇论文提出了一种名为的基于多层感知器（MLP）的时间序列预测模型，旨在实现长期时间序列的高效预测。与基于 Transformer 的复杂架构不同，TiDE 采用简单的编码器-解码器架构，并且没有使用自注意力机制或卷积机制。TiDE 通过将时间序列的过去和协变量编码成一个密集表示，然后利用解码器生成未来时间点的预测。该模型在多个时间序列预测基准测试中表现优异，且在计算效率上显著优于当前主流 Transformer 模型。
2024-10-08 14:25:18
1840
原创 TimeMixer论文解析
优点多尺度特性利用充分：TimeMixer 通过多尺度混合，成功捕捉并分离了微观季节信息和宏观趋势信息，显著提高了预测性能。高效的未来预测：FMM 模块通过组合多个尺度下的预测器，提升了短期和长期预测任务中的整体预测准确性。适应多种时间序列任务：该模型能够在各种复杂的短期和长期预测任务中表现出一致的领先性能，展示了良好的泛化能力。缺点计算复杂度较高：尽管模型在捕捉多尺度信息方面表现出色，但引入多个尺度和模块的设计可能导致在大规模数据集上的计算复杂度增加。依赖数据的完整性。
2024-10-08 10:30:42
1609
原创 TimeXer论文解析
优点高效利用外生变量：TimeXer通过交叉注意力机制有效地整合了外生变量的信息，使其能够显著提升对内生变量的预测准确性。模型通用性强：该模型可以在不修改Transformer架构的基础上，处理多种复杂的时间序列预测任务，尤其是包含外生变量的场景。鲁棒性：TimeXer在面对低质量的外生数据时，仍能保持较好的预测性能，表现出对数据不完整性的强鲁棒性。缺点复杂度较高：虽然模型能够处理外生变量，但由于其引入了额外的交叉注意力机制和全局变量令牌，使得在大规模数据集上的计算成本较高。依赖外生数据的完整性。
2024-10-08 09:58:58
1728
原创 RPMixer 论文解析
空间-时间预测系统在解决现实世界的问题中起着关键作用。本文探讨了使用通用时间序列预测模型（即不利用节点间空间关系的模型）来解决空间-时间预测问题的潜力。我们提出了一种名为 RPMixer 的全多层感知机（MLP）时间序列预测架构。选择全 MLP 架构的原因是其在时间序列预测基准测试中的成功表现。此外，我们的方法利用了深度神经网络的集成行为，其中网络内的每个独立块都像集成模型中的基础学习者，特别是在引入恒等映射残差连接时。通过将随机投影层整合到模型中，我们增加了块输出之间的多样性，从而提升了网络的整体性能。
2024-10-08 09:45:14
1041
原创 用于长期序列预测的周期性解耦框架（Periodicity Decoupling Framework for Long-Term Series Forecasting）
近年来，基于卷积神经网络（CNN）和Transformer的方法在时间序列预测中取得了显著进展，擅长捕捉短期局部变化和长期依赖性。然而，真实世界中的时间序列往往包含复杂的时间模式，现有方法主要侧重于直接从1D时间序列中建模时间变化，难以有效应对这些复杂性。本文提出了一种新的周期性解耦框架（PDF），通过解耦后的时间序列捕捉2D时间变化，用于长期序列预测。PDF框架主要由三个模块组成：多周期解耦模块（MDB）、双重变化建模模块（DVMB）和变化聚合模块（VAB）。
2024-10-02 18:11:42
815
原创 论文：ATFNet：用于长期时间序列预测的自适应时频集成网络
时间序列数据分析复杂，时间域和频率域各具优势。时间域擅长捕捉局部依赖，尤其是在非周期性序列中，而频率域擅长捕捉全局依赖，在具有明显周期性的序列中表现出色。为了充分利用这两者的优势，我们提出了ATFNet，一个创新框架，结合时间域模块和频率域模块，同时捕捉时间序列数据中的局部和全局依赖性。特别地，我们引入了主导谐波能量加权机制，能够根据输入时间序列的周期性动态调整两个模块之间的权重。在频率域模块中，我们通过扩展的离散傅里叶变换（Extended DFT）解决了离散频率不对齐的问题。
2024-10-02 17:31:16
946
原创 RobustTSF文章解析
文章标题为《ROBUSTTSF: TOWARDS THEORY AND DESIGN OF ROBUST TIME SERIES FORECASTING WITH ANOMALIES》，发表在 ICLR 2024 年会。作者提出了一种名为RobustTSF的算法，旨在解决时间序列异常检测与预测问题。该方法基于理论和实验分析，提出了一种能够在存在异常数据的情况下进行鲁棒时间序列预测的模型。文章主要探讨了三种常见异常类型（常数异常、缺失异常、高斯异常）对模型性能的影响，并设计了有效的算法来提升模型的鲁棒性。
2024-09-30 09:25:43
784
原创 Quo Vadis论文解析
文章探讨了无监督时间序列异常检测领域的现状及其未来发展方向。研究了现有方法的局限性，并提出了一些新的研究路径。作者分析了当前无监督方法的有效性，讨论了这些方法在处理多维时间序列、稀疏标签数据和动态环境时的表现。最后，文章提出了可能改进的方法，如结合自监督学习、增强数据生成技术和多模型融合。
2024-09-28 10:25:28
547
原创 FreTS论文解析
这篇文章介绍了一种基于频域多层感知器(MLP)的新方法，称为FreTS，用于时间序列预测。该方法提出将时间序列数据从时域转换为频域，通过在频域上重新设计的MLP来学习时间序列的全局依赖关系和关键特征。这种设计的两个主要优势在于：(1) 全局视角：频域MLP可以更好地捕捉信号的全局依赖性；(2) 能量压缩：频域MLP可以集中于少数关键的频率分量，有效保留清晰的模式，同时过滤掉噪声。
2024-09-27 10:25:00
1362
原创 xLSTMTime解析
这篇论文标题为《xLSTMTime: Long-term Time Series Forecasting With xLSTM》，介绍了一种称为xLSTMTime的时间序列预测模型。该模型基于xLSTM（扩展长短期记忆模型），并且专为长时序预测（LTSF）任务设计。研究发现，虽然基于Transformer的模型在许多领域取得了成功，但它们在捕获时间动态和长时依赖性上存在挑战，同时计算复杂度较高。与此相反，论文提出的xLSTMTime。
2024-09-26 17:20:25
1316
原创 空间-时间自监督学习（Spatio-Temporal Self-Supervised Learning, ST-SSL）
这篇文章提出了一种新的空间-时间自监督学习（Spatio-Temporal Self-Supervised Learning, ST-SSL）框架，用于交通流量预测。现有的交通预测模型在处理空间和时间异质性（即不同区域和时间段的流量分布差异）时表现不足。文章提出的ST-SSL框架通过在图结构上进行自适应数据增强，并结合空间和时间的自监督学习任务，增强了模型在捕捉这些异质性方面的能力。实验结果表明，ST-SSL在多个基准数据集上都优于现有的最先进方法，展示了其在城市交通预测中的有效性和广泛应用前景。
2024-09-24 09:35:29
903
原创 RevIN论文解析
这篇论文提出了一种称为可逆实例归一化（RevIN）的新方法，用于解决时间序列预测中的分布变化问题。时间序列数据的统计特性（如均值和方差）随时间变化，会导致训练和测试数据分布不一致，进而影响模型的预测性能。RevIN通过先对输入数据进行归一化，再在输出层反归一化的方式，保留并恢复输入数据的原始分布信息。这种方法能够显著减少分布差异，提高预测准确性。实验表明，RevIN可以有效应用于多种主流时间序列预测模型，提升其在长序列预测任务中的表现。
2024-09-24 09:31:24
1874
1
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