TimeFilter：用于时间序列预测的特定分块时空图过滤
机器学习
2025-05-21 v2
摘要
时间序列预测方法通常分为两大类：通道独立（CI）策略和通道依赖（CD）策略。CI 忽略了重要的协变量关系，而 CD 不加区分地捕获所有依赖关系，引入了噪声并降低了泛化能力。通道聚类（CC）的最新进展旨在通过将具有相似特征的通道分组并应用量身定制的建模技术来改进依赖建模。然而，粗粒度的聚类难以有效捕获复杂的、随时间变化的交互。为了应对这些挑战，本文提出了 TimeFilter，一个用于自适应和细粒度依赖建模的基于 GNN 的框架。在从输入序列构建图之后，TimeFilter 通过以特定分块的方式过滤掉不相关的相关性，同时保留最关键的相关性，来改进学习到的时空依赖关系。在来自不同应用领域的 13 个真实数据集上的广泛实验证明了 TimeFilter 的 SOTA 性能。代码可在 https://github.com/TROUBADOUR000/TimeFilter 获取。
引用
@article{arxiv.2501.13041,
title = {TimeFilter: Patch-Specific Spatial-Temporal Graph Filtration for Time Series Forecasting},
author = {Yifan Hu and Guibin Zhang and Peiyuan Liu and Disen Lan and Naiqi Li and Dawei Cheng and Tao Dai and Shu-Tao Xia and Shirui Pan},
journal= {arXiv preprint arXiv:2501.13041},
year = {2025}
}