面向多元时间序列分析的门控 Res2Net
机器学习
2020-09-25 v1
摘要
多元时间序列分析因其广泛应用而成为数据挖掘中的重要问题。随着可用于训练的时间序列数据增多,在时间序列分析领域应用深度神经网络正变得普遍。Res2Net 作为近期提出的骨干网络,通过连接不同滤波器组改善了多尺度表示能力,从而可进一步提升最先进网络的性能。然而,Res2Net 忽略了特征图间的相关性,且缺乏对信息交互过程的控制。为解决该问题,本文基于门控机制与 Res2Net 的思想,提出一种用于多元时间序列分析的骨干卷积神经网络,即门控 Res2Net (GRes2Net)。类残差的分层连接受门控影响,门值由原始特征图、前一输出特征图与下一输入特征图计算得出,从而更有效地考虑特征图间的相关性。通过利用门控机制,网络可控制信息发送过程,从而更好地捕获并利用时间信息及特征图间的相关性。我们在四个多元时间序列数据集(包括两个分类数据集与两个预测数据集)上评估 GRes2Net。结果表明,GRes2Net 优于最先进的方法,从而表明了其特征图相关性建模的优越性。
引用
@article{arxiv.2009.11705,
title = {Gated Res2Net for Multivariate Time Series Analysis},
author = {Chao Yang and Mingxing Jiang and Zhongwen Guo and Yuan Liu},
journal= {arXiv preprint arXiv:2009.11705},
year = {2020}
}