MICN: MULTI-SCALE LOCAL AND GLOBAL CONTEXT MODELING FOR LONG-TERM SERIES FORECASTING
最近,基于transformer的方法在长期序列预测领域取得了令人惊讶的性能,但计算全局相关性的注意力机制需要很高的复杂度。而且它们不允许像CNN结构那样有针对性地对局部特征进行建模。针对上述问题,本文提出结合局部特征和全局相关性来捕获时间序列的整体视图(如波动、趋势)。为了充分挖掘时间序列中的底层信息,采用多尺度分支结构分别对不同的潜在模式进行建模。利用下采样卷积和等距卷积分别提取局部特征和全局相关性;此外,本文提出的多尺度等距卷积网络(Multi-scale Isometric Convolution Network, MICN)在选择合适的卷积核时,在序列长度上具有线性复杂度,并且具有更高的效率。在6个基准数据集上的实验结果表明,与当前最先进的方法相比,MICN在多变量时间序列和单变量时间序列上分别取得了17.2%和21.6%的相对性能提升。
一解决的问题
时间序列预测
二采用的方法
结合时间序列的局部特征和全局相关性。局部特征表示序列在小周期T上的特征,全局相关性是多个周期T1,T2,…Tn−1,Tn之间的相关性。因此,一个好的预测方法应该具有以下两个特性:(1)能够提取局部特征来衡量短期变化。(2)建模全局相关性以衡量长期趋势的能力。
基于此,本文提出了多尺度等距卷积网络(Multi-scale Isometric Convolution Network, MICN)。使用不同卷积核的多个分支分别对序列的不同潜在模式信息进行建模。<