时间序列-预测-模型-2021:SCINet
序列 时间 模型 2021 预测
2023-09-27 14:20:37 时间
【1. 概要】
论文针对的是时序预测问题(Time series forecasting,TSF),根据时间序列的特点创新性地提出了一个多层的神经网络框架sample convolution and interaction network(SCINet)用于时序预测。模型在多个数据集上都展示了其准确率上的优越性,且时间成本相对其他模型(如时序卷积网络TCN)也更低。本篇论文工作包含以下几点:
- 说明了TCN不适合解决TSF问题,尤其是其中的因果卷积对模型准确率反而有负面影响
- 基于时间序列的独特性提出了一个多层TSF框架SCINet,通过计算permutation entropy(PE)可以证明新的模型有更强的预测能力
- 构造了SCINet的基本块SCI-Block,它将输入的数据/特征下采样为两个子序列,然后使用不同的卷积滤波器提取每个子序列特征以保留不同特征的信息。同时为了减少下采样过程中信息丢失造成的影响,在每个SCI-Block中加入了两个序列间卷积特征的学习。
【2. 知识梳理】
【2.1. 模型梳理】
目前用于时间序列预测的主要有三类深度神经网络:
- RNNs及其变种(如LSTMs和GRUs)
- Transformer及其变种(如Reformer和Informer)
- TCNs
目前来看,TCN模型效果更好,并且可以与GNNs进行结合解决TSF(Time series forecasting)问题
【2.1.
相关文章
- wcf 远程终结点已终止该序列 可靠会话出错
- python 时间序列数据 重采样
- 使用sktime进行时间序列预测zz
- [DeeplearningAI笔记]序列模型3.7-3.8注意力模型
- Google Earth Engine——给影像添加一个属性对于单景的时间序列并返回影像
- Google Earth Engine——Landsat图像森林数据,描述全球森林范围和变化方面的时间序列分析结果(2000年——2016年2017年2018年2019年2020年)
- Google Earth Engine(GEE)——提取点的栅格值(Landsat 时间序列区域统计)part4
- Google Earth Engine——Landsat图像在描述全球森林范围和变化方面的时间序列分析结果(2015年)
- 【BZOJ2423】[HAOI2010]最长公共子序列 DP
- 运动图像序列增强重建的matlab设计和仿真
- 混沌时间序列的 rbf 预测
- Elasticsearch 使用Shrink与RolloverAPI有效管理时间序列索引
- 小白学数据 | 除了计算大姨妈周期,时间序列分析还有什么用
- 《Python Cookbook(第3版)中文版》——1.18 将名称映射到序列的元素中
- Python 机器学习之使用 AUTO ARIMA + PROPHET + LightGBM 进行时间序列预测
- 《应用时间序列分析:R软件陪同》——2.5 一般线性模型
- 《应用时间序列分析:R软件陪同》——2.8 ARMA 模型
- 《应用时间序列分析:R软件陪同》——2.10 季节模型
- 机器学习中的时间序列预测模型
- Tensorflow2.0入门与实战学习笔记(七)--tf.keras序列问题
- 字符串最长公共子序列问题
- [LeetCode] Split Array into Fibonacci Sequence 分割数组成斐波那契序列