利用互信息驱动的跨变量和时间建模增强多元时间序列预测
机器学习
2024-03-05 v1 机器学习
摘要
最近的进展强调了深度学习技术对多元时间序列预测（MTSF）的影响。通常，这些技术分为两类：通道独立（Channel-independence）和通道混合（Channel-mixing）方法。虽然通道独立方法通常产生更好的结果，但通道混合理论上可以通过利用变量间的相关性提供改进。然而，我们认为在通道混合方法中整合不相关信息可能会限制 MTSF 模型性能的潜在提升。为了证实这一主张，我们针对通道混合方法引入了跨变量去相关感知特征建模（CDAM），旨在通过最小化通道间的冗余信息同时增强相关的互信息来优化通道混合。此外，我们引入了时间相关感知建模（TAM）以利用时间相关性，这是对传统单步预测方法的进一步拓展。该策略最大化了预测序列和目标序列的相邻子序列之间的互信息。结合 CDAM 和 TAM，我们新颖的框架在综合测试中显著超越了现有模型，包括那些此前被认为是最先进的模型。
引用
@article{arxiv.2403.00869,
title = {Enhancing Multivariate Time Series Forecasting with Mutual Information-driven Cross-Variable and Temporal Modeling},
author = {Shiyi Qi and Liangjian Wen and Yiduo Li and Yuanhang Yang and Zhe Li and Zhongwen Rao and Lujia Pan and Zenglin Xu},
journal= {arXiv preprint arXiv:2403.00869},
year = {2024}
}