- 博客(7)
- 收藏
- 关注
RSS订阅原创 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
263
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
284
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
473
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
823
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
441
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
1210
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