SCINet: Time Series Modeling and Forecasting with Sample Convolution and Interaction

SCINet: Time Series Modeling and Forecasting with Sample Convolution and Interaction

时间序列的一个独特性质是在分成两个子序列后，时间关系在很大程度上保持不变。利用这一特性，本文提出一种新的神经网络架构SCINet，通过样本卷积和交互进行时间建模和预测。具体来说，SCINet是一种递归的下采样-卷积-交互架构。在每一层中，我们使用多个卷积滤波器从下采样的子序列或特征中提取不同但有价值的时间特征。通过结合这些从多种分辨率聚合的丰富功能，SCINet有效地对具有复杂时间动态的时间序列进行建模。实验结果表明，与现有的卷积模型和基于transformer的解决方案相比，SCINet在各种真实世界的时间序列预测数据集上实现了显著的预测精度提升。 

 SCINet采用编码器-解码器结构。编码器是一个分层卷积网络，通过一组丰富的卷积滤波器捕获多种分辨率下的动态时间依赖性。如图2(a)所示，基本构建块SCI-Block(章节3.1)将输入数据或特征下采样为两个子序列，然后用一组卷积滤波器对每个子序列进行处理，以从每个部分提取不同但有价值的时间特征。为了补偿下采样过程中的信息损失，在两个子序列之间结合交