时间序列是一种特殊的顺序排列:利用样本卷积和交互进行预测

摘要：

时间序列（Time series）是一种特殊类型的顺序排列（Sequence）数据，一组观测数据在均匀的时间间隔内收集，并按年代顺序排列。现有的深度学习技术使用通用序列（Sequence）模型(如循环神经网络、Transformer模型或时间卷积网络)进行时间序列分析，忽略了其一些独特的特性。例如，时间序列数据的下采样往往保留了数据中的大部分信息，而对于一般的顺序排列数据，如文本序列和DNA序列，则不是这样。【即时间序列（Time series）不完全等同于顺序排列的序列（Sequence）】

基于上述动机，本文提出了一种新的神经网络结构，并将其应用于时间序列预测问题，其中我们进行了多分辨率的样本卷积和交互来进行时间建模。所提议的体系结构，即SCINet（sample convolution and interaction），有助于提取具有增强可预测性的特征。实验结果表明，在不同的真实时间序列预测数据集上，SCINet的预测精度显著提高。特别是，它可以在不使用复杂的空间建模技术的情况下，对这些时空数据集实现较高的预测精度。我们的代码和数据在补充材料中。

本文的贡献可以概括如下:
 

1.我们发现现有的时间卷积网络（TCN， temporal convolutional networks）设计原则对时间序列（TSF，Time series forecasting）问题的误解。特别是，我们证明了因果卷积是不必要的，并且通过消除这些约束可以获得更好的预测精度。

2.我们提出了一个分层TSF框架，SCINet，基于时间序列数据的独特属性。通过在不同时间分辨率下迭代提取和交换信息，可以学习到具有增强可预测性的有效表示，其相对较低的排列熵(PE)[18]验证了这一点。

3.我们设计了构建SCINet的基本模块SCI-Block，该模块将输入数据/特征提取成两个子序列，然后使用不同的卷积滤波器提取每个子序列的特征，以保留异构信息。为了补偿下采样过程中的信息损失，我们在每个SCI-Block中合并了两个卷积特征之间的交互学习。回复ts37 获取论文pdf文档，及项目源码

最后

以上就是勤奋指甲油为你收集整理的时间序列是一种特殊的顺序排列:利用样本卷积和交互进行预测的全部内容，希望文章能够帮你解决时间序列是一种特殊的顺序排列:利用样本卷积和交互进行预测所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。