FPN-fusion：增强线性复杂度时间序列预测模型
机器学习
2024-06-12 v1 人工智能
摘要
本研究提出了一种新的时间序列预测模型FPN-fusion，采用线性计算复杂度，显示出色的预测性能，却未增加参数数量或计算需求。我们的模型引入了两个关键创新：首先，采用特征金字塔网络（FPN）有效捕捉时间序列数据特征，绕过了对趋势和季节性分量的传统分解；其次，开发了多层融合结构，以无缝集成深层和浅层特征。经验上，FPN-fusion在八个开源数据集上的32个测试案例中超过DLiner，其中29个测试案例表现更佳。在均方误差（MSE）和平均绝对误差（MAE）方面，分别平均降低16.8%和11.8%。此外，与基于transformer的PatchTST相比，FPN-fusion在32个测试项目中获得10个最佳MSE和15个最佳MAE结果，仅使用PatchTST总计算负荷的8%。
引用
@article{arxiv.2406.06603,
title = {FPN-fusion: Enhanced Linear Complexity Time Series Forecasting Model},
author = {Chu Li and Pingjia Xiao and Qiping Yuan},
journal= {arXiv preprint arXiv:2406.06603},
year = {2024}
}
备注
FPN,time series,fusion. arXiv admin note: text overlap with arXiv:2401.03001 by other authors