TimeMachine：一个时间序列在长期预测中值得 4 个 Mamba
机器学习
2024-08-26 v2
摘要
由于难以捕捉长期依赖关系、实现线性可扩展性以及保持计算效率，长期时间序列预测仍然具有挑战性。我们引入了 TimeMachine，这是一种利用状态空间模型 Mamba 来捕捉多变量时间序列数据中的长期依赖关系，同时保持线性可扩展性和小内存占用的创新模型。TimeMachine 利用时间序列数据的独特属性在多尺度上产生显著的上下文线索，并利用创新的集成四重 Mamba 架构来统一处理通道混合和通道独立的情况，从而能够在不同尺度下针对全局和局部上下文有效选择用于预测的内容。在实验中，TimeMachine 在预测准确性、可扩展性和内存效率方面取得了卓越的性能，这已通过基准数据集得到广泛验证。代码可用性：https://github.com/Atik-Ahamed/TimeMachine
引用
@article{arxiv.2403.09898,
title = {TimeMachine: A Time Series is Worth 4 Mambas for Long-term Forecasting},
author = {Md Atik Ahamed and Qiang Cheng},
journal= {arXiv preprint arXiv:2403.09898},
year = {2024}
}
备注
27TH EUROPEAN CONFERENCE ON ARTIFICIAL INTELLIGENCE (ECAI-2024)