HiPerformer：用于时间序列预测的分层置换等变 Transformer
机器学习
2023-05-16 v1
摘要
准确预测多变量时间序列必须辨识其相互关系。尤其对于股价，成分常按相同特征分组，提取符合该分组结构的模型应具成效。为此，我们提出分层置换等变概念，关注组内及组间成分的指标交换，以设计考虑该分组结构的模型。当预测模型具有分层置换等变性时，其预测与成分的分组关系一致。因此，我们提出一种分层置换等变模型，同时考虑同组内成分间关系与组间关系。在真实数据上的实验表明，所提方法优于现有 state-of-the-art 方法。
引用
@article{arxiv.2305.08073,
title = {HiPerformer: Hierarchically Permutation-Equivariant Transformer for Time Series Forecasting},
author = {Ryo Umagami and Yu Ono and Yusuke Mukuta and Tatsuya Harada},
journal= {arXiv preprint arXiv:2305.08073},
year = {2023}
}
备注
10 pages, 3 figures