用于长期时间序列预测的吸引子记忆：混沌视角
机器学习
2024-11-05 v7 人工智能
混沌动力学
摘要
在长期时间序列预测 (LTSF) 任务中，越来越多的模型认识到离散时间序列源自连续动力系统，并试图对其动力结构进行建模。认识到现实世界数据的混沌本质，我们的模型 \textbf{\textit{Attraos}} 将混沌理论融入 LTSF，将现实世界时间序列视为未知高维混沌动力系统的观测值。在吸引子不变性的概念下，Attraos 利用非参数相空间重构嵌入和提出的多尺度动态记忆单元来记忆历史动力结构，并通过频率增强的局部演化策略进行预测。详细的理论分析和丰富的实证证据一致表明，Attraos 在主流 LTSF 数据集和混沌数据集上的表现优于各种 LTSF 方法，且其参数量仅为 PatchTST 的十二分之一。
引用
@article{arxiv.2402.11463,
title = {Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective},
author = {Jiaxi Hu and Yuehong Hu and Wei Chen and Ming Jin and Shirui Pan and Qingsong Wen and Yuxuan Liang},
journal= {arXiv preprint arXiv:2402.11463},
year = {2024}
}