一文汇总时序预测新思路
在最近的时间序列预测研究工作中，有一类工作将图学习和时间序列结合了起来，从图学习的视角理解时间序列预测，这类工作中，一种是用图学习建模多变量间的关系，解决多元时序预测问题；另一种是直接把时间序列中的各个时间步看成图中的一个节点，用图学习建模......
2024最新时间序列预测Benchmark TFB
今天给大家介绍一篇VLDB2024中时间序列预测Benchmark的工作，文章由华东师范大学，华为云，奥尔堡大学联合发布，该论文提出了TFB，时间序列预测基准测试，，这是一个新颖的自动化基准测试框架，旨在通过包含来自十个不同领域的数据集，并......
为时序预测自动生成隐式Prompt NLP大模型新作 时间序列预测
今天给大家介绍一篇最新的大模型，时间序列预测工作，由康涅狄格大学发表，提出了一种将时间序列在隐空间和NLP大模型对齐，并利用隐空间prompt提升时间序列预测效果的方法，论文标题，S2IPLLM，SemanticSpaceInformedP......
聊聊基于 Informer BiGRU
1创新模型效果，1.1模型评估，1.2风电功率预测可视化，1.3电力负荷预测可视化，2模型创新点介绍2.1结合Informer和BiGRUGATT的优势Informer，擅长处理长时间序列，能够并行计算，提高了计算效率和预测性能，Infor......
Transformer频域消偏提升时序预测准确性
Transformer在时间序列中已经应用比较广泛，但是最近一些针对Transformer的研究工作指出，Transformer的selfattention机制在建模序列数据时，比较倾向于学习低频的信息，而忽略了高频信息，造成频率偏差问题，......
一文梳理Transformer在时间序列预测中的发展历程代表工作
Transformer的序列建模能力，让其天然就比较适合时间序列这种也是序列类型的数据结构，但是，时间序列相比文本序列也有很多特点，例如时间序列具有自相关性或周期性、时间序列的预测经常涉及到周期非常长的序列预测任务等，这些都给Transfo......
多变量当辅助序列提升多元时序预测效果 近期研究趋势
在多元时间序列预测中，如何建模多变量之间的关系一直是研究热点，过去一年最火的研究方向之一就是多元时间序列应该采用channeldependent，多变量联合建模，还是channelindependent，多变量独立建模，，以及channel......
使用Transformer来进行时序预测可还行
大语言模型的成功充分证明了Transformer架构的先进性，越来越多的人希望把它应用到其它领域，而非NLP领域本身，因而也催生了以一套Transformer架构统一各种模态的研究热点，而在工业界有一个非常常见的场景却鲜有涉及，那就是结构化......
高维多变量下的Transformer时序预测建模方法
今天给大家介绍一篇CIKM2024中的时间序列预测工作，这篇文章针对高维多变量时序预测问题，提出了一种基于Transformer的建模方法，论文标题，ScalableTransformerforHighDimensionalMultivar......
一文汇总 时序预测中的多频率建模方法
频率是时间序列的一个重要信息，给定一个时间序列，可以通过按照不同频率的聚合，获得不同粒度的时间序列，比如，给定的原始时间序列是以小时为粒度的，那么通过将24个点加和成1个点，就可以形成以天为粒度的时间序列数据，不同的粒度，包含的信息也不同，......