U-Mixer：一种用于时间序列预测的具有平稳性校正的 Unet-Mixer 架构
机器学习
2024-01-05 v1
摘要
时间序列预测是各个领域的一项关键任务。由于趋势、季节性或不规则波动等因素，时间序列通常表现出非平稳性。它阻碍了稳定特征在深层中的传播，破坏了特征分布，并使学习数据分布变化变得复杂。因此，许多现有模型难以捕捉潜在模式，导致预测性能下降。在本研究中，我们利用提出的名为 U-Mixer 的框架来解决时间序列预测中的非平稳性挑战。通过结合 Unet 和 Mixer，U-Mixer 分别捕捉不同 patch 和通道之间的局部时间依赖性，以避免通道间分布变化的影响，并融合低层和高层特征以获得全面的数据表示。关键贡献是一种新颖的平稳性校正方法，该方法通过约束模型处理前后数据平稳性的差异来显式恢复数据分布，以恢复非平稳性信息，同时确保保留时间依赖性。通过对各种真实世界时间序列数据集的广泛实验，U-Mixer 展示了其有效性和鲁棒性，并且比最先进（SOTA）方法分别实现了 14.5\% 和 7.7\% 的提升。
关键词
引用
@article{arxiv.2401.02236,
title = {U-Mixer: An Unet-Mixer Architecture with Stationarity Correction for Time Series Forecasting},
author = {Xiang Ma and Xuemei Li and Lexin Fang and Tianlong Zhao and Caiming Zhang},
journal= {arXiv preprint arXiv:2401.02236},
year = {2024}
}
备注
Accepted by AAAI2024