KEDformer：基于知识抽取的季节性-趋势分解长序列预测
机器学习
2024-12-10 v1 人工智能
机器学习
摘要
时间序列预测是能源、金融和气象等领域的关键任务，准确的长期预测至关重要。虽然基于Transformer的模型在捕捉时序依赖性方面显示出前景，但其应用于扩展序列时受限于计算效率低下和泛化能力有限。本研究提出KEDformer，一种基于知识抽取的框架，集成季节性-趋势分解以应对这些挑战。KEDformer利用聚焦于自注意力机制中最具信息性权重的知识抽取方法，以减少计算开销。此外，提出的KEDformer框架将时间序列分解为季节性和趋势组成分量。这种分解增强了模型捕捉短期波动和长期模式的能力。对来自能源、交通和天气领域的五个公开数据集进行的广泛实验表明，KEDformer的有效性和竞争性，为长期时间序列预测提供了高效解决方案。
引用
@article{arxiv.2412.05421,
title = {KEDformer:Knowledge Extraction Seasonal Trend Decomposition for Long-term Sequence Prediction},
author = {Zhenkai Qin and Baozhong Wei and Caifeng Gao and Jianyuan Ni},
journal= {arXiv preprint arXiv:2412.05421},
year = {2024}
}