EffiCANet：基于卷积注意力的有效时间序列预测
机器学习
2024-11-08 v1 人工智能
摘要
工业监测和智慧城市等领域传感器网络产生的多变量时间序列数据呈指数增长，需要高效且准确的预测模型。当前深度学习方法往往无法充分捕捉长程依赖和复杂的变量间关系，尤其是在实时处理约束下。这些限制源于许多模型要么针对具有有限感受野的短期预测进行优化，要么以牺牲效率为代价追求长期精度。此外，真实数据中变量之间动态且复杂的交互关系进一步增加了建模难度。为解决这些局限性，我们提出了 EffiCANet——一种高效卷积注意力网络，旨在提升预测精度的同时保持计算效率。EffiCANet 集成了三个关键组件：(1) 时间大核分解卷积（TLDC）模块，在降低计算开销的同时捕捉长期时间依赖；(2) 变量间组卷积（IVGC）模块，用于捕捉变量之间复杂且演化的关系；(3) 全局时间-变量注意力（GTVA）机制，用于优先处理关键的时间和变量间特征。在九个基准数据集上的广泛评估表明，EffiCANet 相比最先进的模型实现了最大 10.02% 的 MAE 降低，同时通过高效的分解策略将计算成本相比传统大核卷积方法降低了 26.2%。
引用
@article{arxiv.2411.04669,
title = {EffiCANet: Efficient Time Series Forecasting with Convolutional Attention},
author = {Xinxing Zhou and Jiaqi Ye and Shubao Zhao and Ming Jin and Chengyi Yang and Yanlong Wen and Xiaojie Yuan},
journal= {arXiv preprint arXiv:2411.04669},
year = {2024}
}