Cross-LKTCN：利用跨变量依赖的现代卷积用于多元时间序列预测
机器学习
2023-06-06 v1
摘要
过去几年见证了多元时间序列预测的快速发展。准确预测结果的关键在于捕捉多元时间序列中每个时间步之间的长期依赖（跨时间依赖）并建模每个变量之间的复杂依赖（跨变量依赖）。然而，近期方法主要关注跨时间依赖，却很少考虑跨变量依赖。为填补这一空白，我们发现卷积这一传统技术虽近期在时间序列预测中渐失势头，却能满足分别捕捉跨时间与跨变量依赖的需求。基于该发现，我们提出一种现代纯卷积结构，即 Cross-LKTCN，以更好地利用跨时间与跨变量依赖进行时间序列预测。具体而言，在每个 Cross-LKTCN 块中，提出具有大感受野的深度可分离大核卷积以捕捉跨时间依赖，随后提出两个连续的逐点分组卷积前馈网络以捕捉跨变量依赖。在真实基准上的实验结果表明，Cross-LKTCN 取得了最先进的预测性能，相较于现有基于卷积的模型与跨变量方法显著提升了预测精度。
引用
@article{arxiv.2306.02326,
title = {Cross-LKTCN: Modern Convolution Utilizing Cross-Variable Dependency for Multivariate Time Series Forecasting Dependency for Multivariate Time Series Forecasting},
author = {Donghao Luo and Xue Wang},
journal= {arXiv preprint arXiv:2306.02326},
year = {2023}
}