双路径自适应相关空间时间反向 Transformer 用于股票时间序列预测
机器学习
2024-09-25 v1 人工智能
摘要
空间时间图神经网络 (STGNN) 在各种时间序列预测任务中取得了显著的成功。然而，由于缺乏股票预测任务中显式且固定的空间关系，许多STGNN在该领域难以有效工作。虽然一些STGNN从时间序列中学习空间关系，但往往缺乏全面性。研究表明，使用特征变化作为标记建模时间序列与使用时间步长作为标记完全不同的信息。为了更全面地从股票数据中提取动态空间信息，我们提出了一种双路径自适应相关空间时间反向 Transformer (DPA-STIFormer)。DPA-STIFormer 通过将每个节点建模为特征连续变化作为标记，引入双方向自适应融合机制。该机制将节点编码分解为时间表示和特征表示，同时从双路径方法中提取不同的空间相关性，并提出双路径门控机制来融合这两种相关性信息。在四个股票市场数据集上的实验表明，该模型实现了最先进的效果，验证了其在揭示潜在时间相关模式方面的卓越能力。
引用
@article{arxiv.2409.15662,
title = {Double-Path Adaptive-correlation Spatial-Temporal Inverted Transformer for Stock Time Series Forecasting},
author = {Wenbo Yan and Ying Tan},
journal= {arXiv preprint arXiv:2409.15662},
year = {2024}
}