从像素到预测：用于更好时间序列预测的频谱图与 Vision Transformer

Zhen Zeng; Rachneet Kaur; Suchetha Siddagangappa; Tucker Balch; Manuela Veloso

从像素到预测：用于更好时间序列预测的频谱图与 Vision Transformer

计算机视觉与模式识别 2024-03-19 v1 人工智能计算工程、金融与科学

作者: Zhen Zeng , Rachneet Kaur , Suchetha Siddagangappa , Tucker Balch , Manuela Veloso

摘要

时间序列预测在各个领域的决策中发挥着至关重要的作用，但也带来了重大挑战。最近的研究探索了使用计算机视觉模型的图像驱动方法来应对这些挑战，通常采用线图作为时间序列数据的视觉表示。在本文中，我们提出了一种新方法，使用时频频谱图作为时间序列数据的视觉表示。我们引入了 Vision Transformer 用于多模态学习，展示了我们的方法在来自不同领域的多样化数据集上的优势。为了评估其有效性，我们将我们的方法与统计基线（EMA 和 ARIMA）、一种最先进的基于深度学习的方法（DeepAR）、时间序列数据的其他视觉表示（线图图像）以及仅使用时间序列作为输入的消融研究进行了比较。我们的实验证明了利用频谱图作为时间序列数据视觉表示的益处，以及在时域和频域同时学习中采用 Vision Transformer 的优势。

关键词

时间序列预测频谱图 Vision Transformer 多模态学习计算机视觉

引用

@article{arxiv.2403.11047,
  title  = {From Pixels to Predictions: Spectrogram and Vision Transformer for Better Time Series Forecasting},
  author = {Zhen Zeng and Rachneet Kaur and Suchetha Siddagangappa and Tucker Balch and Manuela Veloso},
  journal= {arXiv preprint arXiv:2403.11047},
  year   = {2024}
}

备注

Published at ACM ICAIF 2023

从像素到预测：用于更好时间序列预测的频谱图与 Vision Transformer

摘要

关键词

引用

备注

相关论文