深度耦合网络用于多元时间序列预测
机器学习
2024-02-26 v1 人工智能
摘要
多元时间序列（MTS）预测在许多实际应用中至关重要。为了实现准确的MTS预测，必须同时考虑时间序列数据中的序列内和序列间关系。然而，以往的工作通常分别建模序列内和序列间关系，并且忽略了时间序列数据内部和之间存在的多阶交互，这会严重降低预测精度。在本文中，我们从互信息的角度重新审视序列内和序列间关系，并据此构建了一个全面的关系学习机制，旨在同时捕获复杂的多阶序列内和序列间耦合。基于该机制，我们提出了一种新颖的用于MTS预测的深度耦合网络，命名为DeepCN，它包含一个专门用于同时显式探索时间序列数据中多阶序列内和序列间关系的耦合机制、一个旨在编码多样变量模式的耦合变量表示模块，以及一个通过单步前向传播促进预测的推理模块。在七个真实世界数据集上进行的大量实验表明，我们提出的DeepCN与最先进的基线相比取得了优越的性能。
引用
@article{arxiv.2402.15134,
title = {Deep Coupling Network For Multivariate Time Series Forecasting},
author = {Kun Yi and Qi Zhang and Hui He and Kaize Shi and Liang Hu and Ning An and Zhendong Niu},
journal= {arXiv preprint arXiv:2402.15134},
year = {2024}
}