MPR-Net：多尺度模式复现引导的通用时间序列可解释预测
机器学习
2023-07-14 v1 人工智能
摘要
时间序列预测因其广泛应用和固有挑战而受到现有研究的广泛关注。研究挑战在于从历史序列中识别有效模式并将其应用于未来预测。基于逐点连接 MLP 和 Transformer 架构的先进模型具有较强的拟合能力，但其二次计算复杂度限制了实用性。此外，这些结构本质上破坏了时间顺序，降低了信息利用率并使预测过程不可解释。为解决这些问题，本文提出一种预测模型 MPR-Net。它首先利用卷积操作自适应分解多尺度历史序列模式，然后基于模式复现的先验知识构建模式延展预测方法，最后利用反卷积操作将未来模式重构成未来序列。通过利用时间序列中呈现的时间依赖性，MPR-Net 不仅实现了线性时间复杂度，还使预测过程可解释。通过在长短周期预测任务上十余个真实数据集的充分实验，MPR-Net 取得了最先进的预测性能，以及良好的泛化与鲁棒性表现。
引用
@article{arxiv.2307.06736,
title = {MPR-Net:Multi-Scale Pattern Reproduction Guided Universality Time Series Interpretable Forecasting},
author = {Tianlong Zhao and Xiang Ma and Xuemei Li and Caiming Zhang},
journal= {arXiv preprint arXiv:2307.06736},
year = {2023}
}