用于多维时间序列预测的自适应图卷积网络框架
机器学习
2022-05-11 v1 人工智能
摘要
在现实世界中，许多场景需要长序列时间序列预测（LSTF），例如功耗预测与空气质量预测。多维长时间序列模型对模型有更严格的要求，不仅需有效捕获输入与输出之间准确的长期依赖，还需捕获不同维度数据之间的关系。近期研究表明，基于 Transformer 的 Informer 模型在长时间序列预测中取得了优异表现。然而，该模型在多维预测上仍存在不足，不能很好地捕获不同维度之间的关系。我们改进了 Informer 以解决其在多维预测中的缺陷。首先，我们引入自适应图神经网络以捕获多数时间序列预测中隐藏的维度依赖。其次，我们将自适应图卷积网络集成到多种时空序列预测模型中，以解决它们无法捕获不同维度之间关系的缺陷。第三，经多个数据集实验测试，我们的框架引入模型后准确率提升了约 10\%。
引用
@article{arxiv.2205.04885,
title = {Adaptive Graph Convolutional Network Framework for Multidimensional Time Series Prediction},
author = {Ning Wang},
journal= {arXiv preprint arXiv:2205.04885},
year = {2022}
}
备注
5 pages,2 figures