SCINet: Time Series Modeling and Forecasting with Sample Convolution and Interaction
本文提出一种新的神经网络架构——样本卷积与交互网络(SCINet)，用于时间序列建模和预测，受时间序列数据与通用序列数据相比的独特属性的启发。每个SCI-Block都具有整个时间序列的局部和全局视图，从而促进有用的时间特征的提取。在所有的下采样-卷积-交互操作之后，将提取的特征重新排列为新的序列表示，并将其添加到原始时间序列中，以全连接网络作为解码器进行预测。实验结果表明，与现有的卷积模型和基于transformer的解决方案相比，SCINet在各种真实世界的时间序列预测数据集上实现了显著的预测
