DGCformer：用于多变量时间序列预测的深度图聚类 Transformer
机器学习
2024-05-15 v1
摘要
多变量时间序列预测任务通常以通道依赖（CD）方式进行，因为这可以纳入更多与变量相关的信息。然而，这种方式也可能涉及大量无关变量，甚至导致性能不如通道独立（CI）策略。本文结合了两种策略的优势，提出了用于多变量时间序列预测的深度图聚类 Transformer（DGCformer）。具体而言，它首先通过一个集成了自编码器的图卷积网络对相关变量进行分组，然后考虑一种前向-后向掩码自注意力机制，对每一组变量应用 CD 策略，而在不同组之间应用 CI 策略。在八个数据集上的大量实验结果证明了我们方法相对于 SOTA 模型的优越性，且我们的代码将在论文被接收后公开发布。
引用
@article{arxiv.2405.08440,
title = {DGCformer: Deep Graph Clustering Transformer for Multivariate Time Series Forecasting},
author = {Qinshuo Liu and Yanwen Fang and Pengtao Jiang and Guodong Li},
journal= {arXiv preprint arXiv:2405.08440},
year = {2024}
}