Multi-Variate Time Series Forecasting on Variable Subsets（KDD2022）

最新推荐文章于 2024-06-14 20:43:21 发布
最新推荐文章于 2024-06-14 20:43:21 发布
阅读量113 收藏
点赞数 3
分类专栏： 图数据挖掘 文章标签： 人工智能 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zj_18706809267/article/details/126405012
版权
本文探讨了在存在长期数据丢失或资源领域切换时，MTSF模型的鲁棒性问题。通过实验展示了现有方法在变子集预测(VSF)中的性能下降，提出了一种非参数包装技术，能有效恢复模型性能，即使仅15%变量可用。
摘要由CSDN通过智能技术生成

本文在多变量时间序列预测(MTSF)领域制定了一种新的推理任务，称为变子集预测(VSF)，在推理过程中只有一小部分变量可用。在推理过程中，由于长期的数据丢失，变量是缺失的。传感器故障)或高→低资源域在训练/测试之间切换。据我们所知，在存在此类故障时，MTSF模型的鲁棒性还没有在文献中研究过。通过广泛的评估，本文首先表明，最先进方法的性能在VSF设置中显著下降。本文提出一种非参数的包装技术，可应用于任何现有的预测模型。通过对4个数据集和5个预测模型的系统实验，表明所提出技术能够恢复模型近95%的性能，即使只有15%的原始变量存在。

 Variables are absent during inference because of longterm data loss (eg. sensor failures) or high→low-resource domain shift between train / test. 

西西弗的小蚂蚁
关注
  • 3
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
时间序列预测相关论文
m0_52641463的博客
10-14 1428
1.Two Birds with One Stone: Series Saliency for Accurate and Interpretable Multivariate Time Series Forecasting. 将时间序列看作一种序列图像，利用DNN执行预测任务，同时加入了注意力mask，提升预测性能的同时增加预测的可解释性。 ...
Asymptotic properties of Pearson׳s rank-variate correlation coefficient in bivariate normal model
02-10
Asymptotic properties of Pearson׳s rank-variate correlation coefficient in bivariate normal model
愉快的学习就从翻译开始吧_Multivariate Time Series Forecasting with LSTMs in Keras_0
dreamscape9999的博客
06-14 510
Multivariate Time Series Forecasting with LSTMs in Keras/Keras中多变量时序预测Neural networks like Long Short-Term Memory (LSTM) recurrent neural networks are able to almost seamlessly model problems with mul...
ST-Norm: Spatial and Temporal Normalization for Multi-variate Time Series Forecasting（KDD2021）
小蚂蚁与大象
06-02 1359
ST-Norm: Spatial and Temporal Normalization for Multi-variate Time Series Forecasting（KDD2021） 多变量时间序列(MTS)数据是现实世界中普遍存在的一类数据抽象。MTS的任何实例都是由混合动力系统产生的，其具体动力学通常是未知的。这种动力系统的混合性质是复杂的外部影响的结果，从时间上可以概括为高频和低频，从空间上可以概括为全局和局部。这些影响也决定了MTS的未来发展，使其在时间序列预测任务中至关重要。然而，传统的方
Cyclic multi-Variate Function for Self-Supervised Image Denoising by Disentangling Noise from Image
qq_42208244的博客
07-14 769
图像去噪
A Transformer-based Framework for Multivariate Time Series Representation Learning（KDD2022）
小蚂蚁与大象
06-03 1940
A Transformer-based Framework for Multivariate Time Series Representation Learning（KDD2022） 提出了一种基于transformer编码器结构的多元时间序列表示学习新框架。该框架包括一个无监督的训练前计划，它可以在下游任务上提供比完全监督学习更大的性能优势，即使不利用额外的无标记数据，也就是说，通过重用现有的数据样本。在多个不同领域和具有不同特征的公共多元时间序列数据集上评估我们的框架，我们证明它的性能明显优于目前可用
阅读笔记-A transformer-based framework for multivariate time series representation learning(TST SIGKDD）
qq_41328481的博客
09-05 813
阅读笔记-A transformer-based framework for multivariate time series representation learning(TST SIGKDD）
multi-variate distribution学习笔记
jianti9962的博客
06-21 634
（1） 矩阵正态分布X~MU（a,b,c） 可以由 多元正态随机向量vec(x)~N(vec(a), Covariance) 等价表示 但是这牵扯到定义X~MU（a,b,c）到底是怎么定义的，不同教材的定义还不一样，a和b的次序也很混乱 而且会涉及到kronecker积的定义方式，有的是左积，有的是右积，有的还自带转置。。要先确定教材对这个的定义 参考： 网页： 维基百科 [1] Matrix normal distribution [2] Multivariate n...
EXPLORING THE INTERPRETABILITY OF LSTM NEURAL NETWORKS OVER MULTI-VARIABLE DATA
10-18
In learning a predictive model over multivariate time series consisting of target and exogenous variables, the forecasting performance and interpretability of the model are both essential for ...
Expectation-Maximization algorithm for bi-variate Normal Inverse Gaussian distribution:Expectation-Maximization (EM) algorithm for bivariate Normal Inverse Gaussian (biNIG) distribution-matlab开发
06-01
双变量NIG分布参数的EM估计。 测试文件： 1.... 2. 调用 EMBIVNIG.m（起始参数的值是任意选择的）。 3.... 参考： “具有多元正态逆高斯分布的重尾过程的 EM 估计和建模”，Oigard、Hanssen、Hansen 和 Godtliebsen，...
非均匀随机变量生成Non-Uniform Random Variate Generation
11-15
本书围绕随机变量生成算法的预期复杂性展开。 它建立了一个理想的计算模型，引入了均匀有界期望复杂度的概念，并研究了计算复杂度的界线。
TMVA Toolkit for Multi Variate Analysis:一个ROOT集成的工具包，用于多变量分析-开源
04-29
TMVA是用于多变量分类和回归分析的ROOT集成工具包。 TMVA执行各种多元方法的培训，测试和性能评估。 自2013年以来，TMVA已与ROOT完全集成并作为其一部分进行分发。 TMVA的新主页为https://root.cern
从GAN到WGAN（02/2）
最新发布
gongdiwudu的专栏
06-14 1096
生成对抗网络 （GAN） 在许多生成任务中显示出巨大的效果，以复制现实世界的丰富内容，如图像、人类语言和音乐。它的灵感来自博弈论：两个模型，一个生成器和一个批评家，在相互竞争的同时使彼此更强大。然而，训练GAN模型是相当具有挑战性的，因为人们面临着训练不稳定或收敛失败等问题。在这里，我想解释一下生成对抗网络框架背后的数学原理，为什么很难训练，最后介绍一个旨在解决训练难点的GAN修改版本。
景芯SoC A72的时钟树分析
u011075954的专栏
06-13 677
innovus的ctslog中的Clock DAG信息可以报出来CTS主要运行步骤的关键信息，比如clustering，balancing做完后的clock tree的长度，clock tree上所用的buffer、inverter，icg cell数量，clock skew等信息。可以看到cell、sink的counts，也可以看到BUF、ICG的数量，接下来我们来看看景芯SoC A72 TOP的CLOCK ID和BUF个数的变化吧。先看下景芯SoC A72项目的cts latency变化过程。
yolov10主要特点
yzf060109的专栏
06-14 749
以下是YOLOv10与其他模型的快速对比：YOLOv10-S：46.3 AP，2.49毫秒延迟YOLOv10-M：51.1 AP，4.74毫秒延迟YOLOv10-L：53.2 AP，7.28毫秒延迟YOLOv10-X：54.4 AP，10.70毫秒延迟这些改进使YOLOv10成为实时目标检测任务的首选，从自动驾驶到智能监控。与YOLOv9-C相比，YOLOv10-B（一个平衡的变体）延迟减少了46%，参数量减少了25%，同时保持了相同的性能水平。一对多分配：在训练过程中使用，以提供丰富的监督信号。
YesPMP探索Python在生活中的应用，助力提升开发效率
YesPMP20的博客
06-13 881
Python是一种简单易学、高效强大的编程语言，正变成越来越多人选择的热门技能。学习Python不仅可以提供更多就业机会，还能让自己在职场更加有竞争力，那可以去哪里拓展自己的技能呢？
python time series predict model multi
03-31
variate A multivariate time series prediction model in Python is a model that takes multiple variables as inputs to predict the future values of a time series. This can be useful in situations where the behavior of a time series is influenced by multiple factors or variables. There are several approaches to building multivariate time series prediction models in Python, including: 1. Vector Autoregression (VAR) Model: The VAR model is a popular approach for modeling multivariate time series data. It assumes that each variable in the time series is affected by its own lagged values as well as the lagged values of the other variables. 2. Long Short-Term Memory (LSTM) Network: LSTM is a type of recurrent neural network that is commonly used for modeling time series data. It can handle multivariate time series data by taking multiple input sequences and predicting multiple output sequences. 3. Convolutional Neural Network (CNN): CNNs are commonly used for image processing tasks, but they can also be used for time series prediction. In a multivariate time series prediction context, CNNs can take multiple time series as inputs and predict multiple output time series. 4. Support Vector Regression (SVR): SVR is a machine learning technique that can be used for time series prediction. It works by finding a hyperplane that best separates the input data into different classes, and then uses this hyperplane to make predictions. Overall, the choice of model will depend on the specific characteristics of the time series data and the prediction task at hand. It is important to evaluate the performance of different models using appropriate metrics and techniques such as cross-validation.

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值