ConvTimeNet：一种用于多变量时间序列分析的深层分层纯卷积模型
机器学习
2024-12-17 v2
摘要
设计有效的模型以学习时间序列表示是时间序列分析的基础。许多先前的工作探索了时间序列表示建模方法，并在该领域取得了进展。尽管这些方法有效，但它们对时间依赖性基本单元的局部模式缺乏自适应感知，且未能捕捉这些单元间的多尺度依赖关系。不同于以自注意力机制为中心的主流方法，我们提出了 ConvTimeNet，一种为时间序列分析设计的分层纯卷积模型。ConvTimeNet 引入了可变形分块层（deformable patch layer），以数据驱动的方式自适应地感知时间依赖性基本单元的局部模式。基于提取的局部模式，设计了分层纯卷积块以捕捉不同尺度下基本单元表示间的依赖关系。此外，采用大卷积核机制以确保卷积块可深层堆叠，从而获得更大的感受野。以此方式，可在单一模型内有效建模局部模式及其多尺度依赖关系。在广泛对比多种不同类型模型的实验中表明，纯卷积模型依然展现出强大的生命力，有效解决了上述两个挑战，并在多个任务中表现出优越性能。代码已开源以供复现。
引用
@article{arxiv.2403.01493,
title = {ConvTimeNet: A Deep Hierarchical Fully Convolutional Model for Multivariate Time Series Analysis},
author = {Mingyue Cheng and Jiqian Yang and Tingyue Pan and Qi Liu and Zhi Li},
journal= {arXiv preprint arXiv:2403.01493},
year = {2024}
}