MGCP：基于多粒度相关性的多元时间序列预测网络
机器学习
2024-05-31 v1
摘要
多元时间序列预测广泛应用于日常生活中，由于存在多粒度层面的复杂相关性，带来了重大挑战。然而，当前大多数时间序列预测模型无法同时学习多元时间序列在多粒度层面的相关性，导致性能欠佳。为此，我们提出了一种基于多粒度相关性的预测网络（MGCP），该网络同时考虑三个粒度层面的相关性以提升预测性能。具体而言，MGCP利用自适应傅里叶神经算子和图卷积网络学习全局时空相关性和序列间相关性，从而在细粒度和中粒度层面提取多元时间序列的潜在特征。此外，MGCP采用基于注意力机制的预测器和条件判别器进行对抗训练，以优化粗粒度层面的预测结果，确保生成的预测结果与实际数据分布之间具有高保真度。最后，我们在真实世界基准数据集上将MGCP与几种最先进的时间序列预测算法进行比较，结果证明了所提模型的通用性和有效性。
引用
@article{arxiv.2405.19661,
title = {MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series},
author = {Zhicheng Chen and Xi Xiao and Ke Xu and Zhong Zhang and Yu Rong and Qing Li and Guojun Gan and Zhiqiang Xu and Peilin Zhao},
journal= {arXiv preprint arXiv:2405.19661},
year = {2024}
}