利用长期多变量历史表示进行时间序列预测
机器学习
2025-05-22 v1 人工智能
摘要
多变量时间序列(MTS)预测在产业和学术界具有广泛应用。近期的空间时间图神经网络(STGNN)在建模空间时间相关性方面取得了很大进展。受计算复杂度限制，大多数针对MTS预测的STGNN主要关注短期和局部空间时间依赖。尽管一些近期方法尝试将单变量历史纳入建模，但仍忽略了跨MTS的关键长期空间时间相似性和相关性，这对于准确预测至关重要。为填补这一空白，我们提出了一种称为Long-term Multivariate History Representation(LMHR)增强STGNN用于MTS预测的框架。具体而言，采用长期历史编码器(LHEncoder)有效地将长期历史编码为分段上下文表示，并降低点级噪声。设计了一种非参数的层次表示检索器(HRetriever)，用于在长期空间时间依赖建模中包含空间信息，并挑选出最有价值的表示而无需额外训练。基于Transformer的聚合器(TAggregator)基于排序位置嵌入高效地选择性地融合稀疏检索到的上下文表示。实验结果表明，LMHR在平均预测时段上比典型STGNN提高了10.72%，在多个真实数据集上比最先进的方法提高了4.12%。此外，它在数据集上前10%快速变化模式的预测准确率提高了9.8%。
引用
@article{arxiv.2505.14737,
title = {Leveraging Multivariate Long-Term History Representation for Time Series Forecasting},
author = {Huiliang Zhang and Di Wu and Arnaud Zinflou and Stephane Dellacherie and Mouhamadou Makhtar Dione and Benoit Boulet},
journal= {arXiv preprint arXiv:2505.14737},
year = {2025}
}