用于时间序列预测的深层 Transformer 模型：流感流行率案例
机器学习
2020-01-24 v1 机器学习
摘要
在本文中，我们提出了一种时间序列预测的新方法。时间序列数据在许多科学和工程学科中十分普遍。时间序列预测是时间序列数据建模中的关键任务，也是机器学习的一个重要领域。在这项工作中，我们开发了一种新方法，采用基于 Transformer 的机器学习模型来预测时间序列数据。该方法通过利用自注意力机制从时间序列数据中学习复杂模式与动态。此外，它是一个通用框架，可应用于单变量和多变量时间序列数据以及时间序列嵌入。以流感样疾病（ILI）预测作为案例研究，我们表明我们的方法所产生的预测结果与最先进水平（SOTA）相当。
关键词
引用
@article{arxiv.2001.08317,
title = {Deep Transformer Models for Time Series Forecasting: The Influenza Prevalence Case},
author = {Neo Wu and Bradley Green and Xue Ben and Shawn O'Banion},
journal= {arXiv preprint arXiv:2001.08317},
year = {2020}
}
备注
10 pages, 7 figures