UnetTSF：一种具有更优性能的线性复杂度时间序列预测模型
机器学习
2024-06-07 v1
摘要
近期，基于 Transformer 的模型在时间序列预测领域取得了显著进展，取得了良好的效果并成为超越 Dlinear 的基线模型。本文提出了一种采用 U-Net 架构且具有线性复杂度的 U-Net 时间序列预测模型。我们首次使用 FPN 技术从时间序列数据中提取特征，取代了将时间序列数据分解为趋势项和季节项的方法，同时设计了适用于时间序列数据的融合结构。在 8 个开源数据集上测试后，与最佳线性模型 DLiner 相比，在 32 个测试项目中，有 31 个取得了最佳结果。mse 平均下降 10.1%，mae 平均下降 9.1%。与复杂的基于 Transformer 的 PatchTST 相比，UnetTSF 在 32 个测试项目中的 mse 获得了 9 个最优结果，mae 获得了 15 个最优结果。
引用
@article{arxiv.2401.03001,
title = {UnetTSF: A Better Performance Linear Complexity Time Series Prediction Model},
author = {Li Chu and Xiao Bingjia and Yuan Qiping},
journal= {arXiv preprint arXiv:2401.03001},
year = {2024}
}