cs-net：面向高维特征空间有限观测数据的时序预测结构化方法
机器学习
2022-12-07 v1 信号处理
摘要
近年来，基于深度学习的方法被引入以解决时间序列预测相关问题。这些新方法在单变量和低维多变量时间序列预测任务中展现出令人印象深刻的性能。然而，当这些新方法用于处理高维多变量预测问题时，其性能受到实际训练时间和合理 GPU 内存配置的严重限制。在本文中，受希尔伯特空间中基变换的启发，我们提出了一种在高维多变量预测任务中表现出色且灵活的数据特征提取技术。我们的方法最初是为国家科学基金会（NSF）威胁检测算法（ATD）2022 挑战赛而开发的。我们的方法采用注意力机制和卷积神经网络（CNN）架构实现，展现出优异的性能和兼容性。我们在 GDELT 数据集上训练的模型在 ATD 短跑系列中获得了第 1 和第 2 名，并有望应用于其他时间序列预测数据集。
引用
@article{arxiv.2212.02567,
title = {cs-net: structural approach to time-series forecasting for high-dimensional feature space data with limited observations},
author = {Weiyu Zong and Mingqian Feng and Griffin Heyrich and Peter Chin},
journal= {arXiv preprint arXiv:2212.02567},
year = {2022}
}