scaleformer: iterative multi-scale refiningtransformers for time series forecasting

scaleformer: iterative multi-scale refiningtransformers for time series forecasting
最近,由于transformer的引入,时间序列预测的性能得到了极大的提高。本文提出一种通用的多尺度框架,可应用于最先进的基于transformer的时间序列预测模型(FEDformer, Autoformer等)。通过在多个尺度上迭代改进具有共享权重的预测时间序列,引入架构适应和特殊设计的规范化方案,能够实现显著的性能提升,在数据集和transformer架构上从5:5%到38:5%,而额外的计算开销很小。通过详细的消融研究,证明了在架构和方法上的每个贡献的有效性。此外,在各种公开数据集上的实验表明,所提出的改进优于相应的基线

 在我们提出的方法中,如图1所示,时间序列预测在连续的时间步骤中进行迭代优化,使模型能够更好地捕捉每个尺度的相互依赖关系和特性

 所提出的框架应用连续的transformer模块,在不同的时间尺度上迭代完善时间序列预测。建议的框架如图2所示

 总结:这篇论文是一种通用的结构,可以用在各种transformerm模型中。

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“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

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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