TLNets：用于长程时间序列预测的变换学习网络
机器学习
2023-05-26 v1 人工智能
摘要
时间序列预测是气象、交通监控、投资、能源产消等多学科中的普遍问题。许多统计与机器学习策略已被开发以应对该问题。然而，这些方法要么缺乏可解释性，要么在预测步长增加时表现不尽如人意。为此，我们提出一种基于变换的网络架构设计新方案，其有望在学习中获得增强的感知野，从而有益于跨尺度特征融合。在此背景下，我们引入四种不同变换机制作为构建学习模型的基础，包括傅里叶变换（FT）、奇异值分解（SVD）、矩阵乘法与卷积块。据此，我们基于上述构建块开发了四种学习模型：FT-Matrix、FT-SVD、FT-Conv 与 Conv-SVD。需注意，FT与SVD块能够学习全局信息，而卷积块专注于学习局部信息。矩阵块经稀疏设计可同时学习全局与局部信息。上述变换学习网络（TLNets）已基于多个真实世界数据集进行广泛测试并与多种基线模型比较，在长程时间序列预测中展现出明确潜力。
引用
@article{arxiv.2305.15770,
title = {TLNets: Transformation Learning Networks for long-range time-series prediction},
author = {Wei Wang and Yang Liu and Hao Sun},
journal= {arXiv preprint arXiv:2305.15770},
year = {2023}
}
备注
25 pages