面向时间序列预测的多视角表示学习方法——TSI
机器学习
2024-10-01 v1 人工智能
摘要
随着对长序列时间序列预测日益增长的需求，如电力消耗规划，时间序列预测的重要性在各个领域变得越来越关键。这一点通过近期在该领域表示学习的进展得以凸显。本研究引入一种新颖的多视角方法，用于时间序列预测，该方法创新性地将趋势和季节性表示与基于独立成分分析（ICA）的方法结合。认识到现有方法在表示复杂和高维时间序列数据方面的局限性，本研究通过结合TS（趋势和季节性）和ICA（独立成分）的视角来解决这一挑战。该方法提供了对时间序列数据的全面理解，超越许多传统模型，后者通常忽略细微的非线性关系。通过在各种基准数据集上进行全面测试，TSI模型显示出优于当前最先进模型的优势，尤其是在多变量预测方面。这一方法不仅提高了预测准确性，也为该领域提供了更深入的理解，显著贡献于该领域。该研究通过为视图 laid the groundwork for ICA for further exploration and methodological advancements in time series forecasting，为研究和实际应用开辟了新的研究方向。
引用
@article{arxiv.2409.19871,
title = {TSI: A Multi-View Representation Learning Approach for Time Series Forecasting},
author = {Wentao Gao and Ziqi Xu and Jiuyong Li and Lin Liu and Jixue Liu and Thuc Duy Le and Debo Cheng and Yanchang Zhao and Yun Chen},
journal= {arXiv preprint arXiv:2409.19871},
year = {2024}
}
备注
AJCAI Oral Accepted