MSGNet：学习多尺度序列间相关性以用于多元时间序列预测
机器学习
2024-01-02 v1
摘要
多元时间序列预测在各个学科中一直是一项持续的挑战。时间序列数据通常表现出多样的序列内和序列间相关性，构成了复杂且交织的依赖关系，这已成为众多研究的焦点。然而，在理解多个时间序列在不同时间尺度上变化的序列间相关性方面仍存在显著的研究空白，这一领域在文献中鲜少受到关注。为了填补这一空白，本文引入了 MSGNet，这是一种先进的深度学习模型，旨在利用频域分析和自适应图卷积来捕获跨多个时间尺度的变化的序列间相关性。通过利用频域分析，MSGNet 有效地提取显著的周期性模式，并将时间序列分解为不同的时间尺度。该模型结合了自注意力机制以捕获序列内依赖关系，同时引入了自适应 mixhop 图卷积层，以自主学习每个时间尺度内多样的序列间相关性。在多个真实世界数据集上进行了大量实验以展示 MSGNet 的有效性。此外，MSGNet 能够自动学习可解释的多尺度序列间相关性，即使在应用于分布外样本时也展现出强大的泛化能力。
引用
@article{arxiv.2401.00423,
title = {MSGNet: Learning Multi-Scale Inter-Series Correlations for Multivariate Time Series Forecasting},
author = {Wanlin Cai and Yuxuan Liang and Xianggen Liu and Jianshuai Feng and Yuankai Wu},
journal= {arXiv preprint arXiv:2401.00423},
year = {2024}
}
备注
13 pages, 12 figures