PDETime：从偏微分方程视角重思长期多变量时间序列预测
机器学习
2024-02-28 v1
摘要
深度学习的最新进展催生了多种用于长期多变量时间序列预测（LMTF）的模型，其中许多已展现出令人瞩目的成果。总体而言，研究焦点集中在基于历史值的模型上，这类模型依赖过去观测值来预测未来序列。值得注意的是，一种基于时间索引的模型新趋势正在涌现，为理解时间序列背后的连续动态提供了更细致的视角。与上述两类聚合空间域或时间域信息的模型不同，本文将多变量时间序列视为从连续动力系统中规则采样的时空数据，该系统可由偏微分方程（PDEs）表示，且空间域固定。基于这一视角，我们提出了 PDETime，这是一种受神经 PDE 求解器原理启发的新型 LMTF 模型，遵循编码 - 积分 - 解码的操作流程。我们在七个不同的真实世界 LMTF 数据集上进行了广泛实验，结果表明 PDETime 不仅能有效适应数据内在的时空特性，还树立了新的基准，取得了最先进（state-of-the-art）的结果。
引用
@article{arxiv.2402.16913,
title = {PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from the perspective of partial differential equations},
author = {Shiyi Qi and Zenglin Xu and Yiduo Li and Liangjian Wen and Qingsong Wen and Qifan Wang and Yuan Qi},
journal= {arXiv preprint arXiv:2402.16913},
year = {2024}
}