SageFormer：面向长期多元时间序列预测的序列感知框架
机器学习
2024-11-06 v3 人工智能
摘要
在蓬勃发展的物联网生态中，多元时间序列（MTS）数据已无处不在，凸显了时间序列预测在众多应用中的基础作用。长期MTS预测的关键挑战要求能够捕捉序列内与序列间依赖关系的娴熟模型。深度学习近期进展，尤其是Transformers，已展现出前景。然而，许多主流方法要么弱化序列间依赖，要么完全忽视之。为弥补此差距，本文引入一种新颖的序列感知框架，明确设计以强调此类依赖的重要性。该框架的核心是我们的具体实现：SageFormer。作为一种序列感知图增强Transformer模型，SageFormer熟练地利用图结构辨识并建模序列间的复杂关系。除捕捉多样时间模式外，它还削减了跨序列的冗余信息。值得注意的是，序列感知框架可与现有基于Transformer的模型无缝集成，丰富其理解序列间关系的能力。在真实与合成数据集上的大量实验验证了SageFormer相对于当代最先进方法的优越性能。
引用
@article{arxiv.2307.01616,
title = {SageFormer: Series-Aware Framework for Long-term Multivariate Time Series Forecasting},
author = {Zhenwei Zhang and Linghang Meng and Yuantao Gu},
journal= {arXiv preprint arXiv:2307.01616},
year = {2024}
}
备注
Published in: IEEE Internet of Things Journal ( Volume: 11, Issue: 10, 15 May 2024)