Kernel-U-Net：使用定制核的多变量时间序列预测
机器学习
2024-09-10 v3
摘要
时间序列预测任务基于历史信息预测未来趋势。基于Transformer的U-Net架构尽管在医学图像分割中取得了成功，但在时间序列预测中在表达能力和计算效率方面都存在局限性，如YFormer所示。为了应对这些挑战，我们引入了Kernel-U-Net，一种灵活且内核可定制的U形神经网络架构。Kernel-U-Net编码器将输入序列压缩为潜在向量，其对称解码器随后将这些向量扩展为输出序列。具体来说，Kernel-U-Net将输入时间序列分割成补丁的过程与内核操作分离，从而提供了定制执行内核的便利。我们的方法有两个主要优点：1) 内核定制的灵活性，以适应特定数据集；2) 提高计算效率，将Transformer层的复杂度降低到线性。在七个真实世界数据集上的实验表明，在通道独立设置下，Kernel-U-Net的性能在大多数情况下超过或达到现有最先进模型的水平。Kernel-U-Net的源代码将公开，以供进一步研究和应用。
关键词
引用
@article{arxiv.2401.01479,
title = {Kernel-U-Net: Multivariate Time Series Forecasting using Custom Kernels},
author = {Jiang You and Arben Cela and René Natowicz and Jacob Ouanounou and Patrick Siarry},
journal= {arXiv preprint arXiv:2401.01479},
year = {2024}
}