PIAD-SRNN：基于状态空间 RNN 的物理信息自适应分解
机器学习
2025-07-14 v2 人工智能
摘要
时间序列预测往往需要在准确性和效率之间进行权衡。虽然最近的 Transformer 模型提高了预测能力，但计算成本较高。基于线性的模型在准确性上优于 Transformer，但仍未达到理想水平。我们提出了 PIAD-SRNN，这是一种物理信息自适应分解状态空间循环神经网络，它分离了季节性和趋势分量，并在循环框架中嵌入领域方程。我们在室内空气质量数据集上评估了 PIAD-SRNN 的性能，关注 CO2 浓度在各种预测时段上的预测结果，结果表明它在准确性和短期/长期时间序列预测中始终优于 SoTA 模型，包括基于 Transformer 的架构，无论是 MSE 还是 MAE。除了提出 PIAD-SRNN 这种在准确性和效率之间取得平衡的方法外，本文还提供了四个精选数据集。代码和数据：https://github.com/ahmad-shirazi/DSSRNN
引用
@article{arxiv.2412.00994,
title = {PIAD-SRNN: Physics-Informed Adaptive Decomposition in State-Space RNN},
author = {Ahmad Mohammadshirazi and Pinaki Prasad Guha Neogi and Rajiv Ramnath},
journal= {arXiv preprint arXiv:2412.00994},
year = {2025}
}