- Edge-Varying Fourier Graph Networks for Multivariate Time Series Forecasting (arXiv)
Автор: Kun Yi, Qi Zhang, Liang Hu, Hui He, Ning An, LongBing Cao, ZhenDong Niu
Резюме: Ключовият проблем при анализа и прогнозирането на многовариантните времеви редове (MTS) има за цел да разкрие основните връзки между променливите, които движат съвместните движения. Значителни скорошни успешни MTS методи са изградени с графични невронни мрежи (GNN) поради техния основен капацитет за релационно моделиране. Въпреки това, предишната работа често използва статична графична структура на променливи от времеви серии за моделиране на MTS, като не успява да улови техните непрекъснато променящи се корелации във времето. За тази цел, напълно свързан надграф, свързващ всеки две променливи във всеки два времеви клейма, се научава адаптивно да улавя зависимостите на променливите с висока разделителна способност чрез ефективна графична конволюционна мрежа. По-конкретно, ние конструираме Edge-Varying Fourier Graph Networks (EV-FGN), оборудвани с оператор за изместване на графиката на Фурие (FGSO), който ефективно извършва навиване на графиката в честотната област. В резултат на това е получена високоефективна схема за обучение на параметри без мащаб за MTS анализ и прогнозиране съгласно теоремата за навиване. Обширните експерименти показват, че EV-FGN превъзхожда най-съвременните методи върху седем набора от данни MTS в реалния свят
2. MTSMAE: Маскирани автоенкодери за многовариантно прогнозиране на времеви редове (arXiv)
Автор: Peiwang Tang, Xianchao Zhang
Резюме: Мащабната самоконтролирана предварително обучена трансформаторна архитектура значително повиши производителността за различни задачи в обработката на естествен език (NLP) и компютърното зрение (CV). Въпреки това, липсват изследвания за обработка на многовариантни времеви серии от предварително обучен Трансформатор, и особено текущото проучване на маскирането на времеви серии за самоконтролирано обучение все още е празнина. За разлика от обработката на езика и изображенията, информационната плътност на времевите серии увеличава трудността на изследването. Предизвикателството отива по-далеч с невалидността на предишните методи за вграждане на корекция и маска. В тази статия, според характеристиките на данните на многовариантни времеви серии, се предлага метод за вграждане на кръпки и ние представяме самоконтролиран подход за предварително обучение, базиран на маскирани автоенкодери (MAE), наречени MTSMAE, които могат значително да подобрят производителността над контролирано обучение без предварително обучение. Оценявайки нашия метод върху няколко често срещани многовариантни набора от времеви серии от различни полета и с различни характеристики, резултатите от експеримента показват, че ефективността на нашия метод е значително по-добра от най-добрия наличен в момента метод
