LightCTS：一种用于相关时间序列预测的轻量级框架
机器学习
2023-02-28 v2 人工智能
数据库
摘要
相关时间序列（CTS）预测在许多实际应用中起着至关重要的作用，例如交通管理与服务器负载控制。已有许多深度学习模型被提出以提升 CTS 预测的精度。然而，尽管模型变得日益复杂且计算密集，它们却难以提升精度。本研究另辟蹊径，旨在实现更高效的轻量级模型，在保持精度的同时能够部署于资源受限设备。为实现该目标，我们刻画了流行的 CTS 预测模型并得到两点启示，指明了轻量级 CTS 预测的方向。在此基础上，我们提出 LightCTS 框架，其采用时间与空间算子的简单堆叠，而非计算代价高得多的交替堆叠。此外，LightCTS 具备轻量时间与空间算子模块，称为 L-TCN 与 GL-Former，在提升计算效率的同时不损害其特征提取能力。LightCTS 还包含末次压缩方案，以减少冗余时间特征并加速后续计算。在单步与多步预测基准数据集上的实验表明，LightCTS 能以大幅降低的计算与存储开销实现近乎最先进的精度。
引用
@article{arxiv.2302.11974,
title = {LightCTS: A Lightweight Framework for Correlated Time Series Forecasting},
author = {Zhichen Lai and Dalin Zhang and Huan Li and Christian S. Jensen and Hua Lu and Yan Zhao},
journal= {arXiv preprint arXiv:2302.11974},
year = {2023}
}
备注
accepted by ACM SIGMOD 2023