FCDNet：面向多变量时间序列预测的频率引导互补依赖建模
机器学习
2023-12-29 v1 人工智能
摘要
多变量时间序列（MTS）预测是许多现实世界非平稳动态场景中的一项挑战性任务。除了序列内部的时间信号外，序列间的依赖关系在塑造未来趋势中也起着关键作用。如何使模型感知依赖信息已引起大量研究关注。以往的方法要么基于领域知识预设依赖约束，要么利用实时特征相似性施加依赖。然而，MTS数据通常同时表现出持久的长期静态关系和短暂的短期交互，它们相互影响其演化状态。有必要识别并整合互补依赖以实现更准确的MTS预测。时间序列中的频率信息反映了复杂时间动态背后的演化规律，不同频率分量可用于良好地构建变量间的长期和短期交互依赖结构。为此，我们提出FCDNet，一个简洁而有效的多变量时间序列预测框架。具体而言，FCDNet通过应用两个轻量依赖构建器，从多级频率模式中自适应地提取长期和短期依赖信息，从而克服了上述限制。随着输入变量的增长，FCDNet中可训练参数的数量仅线性增加，这有利于模型的可扩展性并避免过拟合。此外，采用基于频率的视角可以有效减轻MTS数据中噪声的影响，有助于捕获更真实的依赖关系。在来自多个领域的六个真实世界数据集上的实验结果表明，FCDNet显著超越了强基线，在MAE、RMSE和MAPE上分别平均提升了6.82%、4.98%和4.91%。
引用
@article{arxiv.2312.16450,
title = {FCDNet: Frequency-Guided Complementary Dependency Modeling for Multivariate Time-Series Forecasting},
author = {Weijun Chen and Heyuan Wang and Ye Tian and Shijie Guan and Ning Liu},
journal= {arXiv preprint arXiv:2312.16450},
year = {2023}
}
备注
10 pages, 7figures, in submission to Neural Networks