|
11+ 年
经验
|
0
产品
|
0
演示版
|
|
134
工作
|
0
信号
|
0
订阅者
|
到目前为止，我们审阅的大量模型都是基于变换器架构。不过，在处理长序列时，它们或许效率低下。在本文中，我们将领略一种替代方向，即基于状态空间模型的时间序列预测。
大多数现代多模态时间序列预测方法都采用了独立通道方式。这忽略了同一时间序列不同通道的天然依赖性。巧妙地运用两种方式（独立通道和混合通道），是提高模型性能的关键。
轻量级时间序列预测模型使用最少的参数数量实现高性能。这反过来减少了计算资源的消耗并加快了决策速度。尽管是轻量级的，这些模型实现了与更复杂模型相当的预测质量。
提高模型训练和收敛效率的一个方向是改进优化方法。Adam-mini是一种自适应优化方法，旨在改进基础的Adam算法。
在本文中，我们将谈及使用时空变换来有效预测即将到来的价格走势。为了提高 STNN 中的数值预测准确性，提出了一种连续注意力机制，令模型能够更好地参考数据的重要方面。
我们继续讨论时间序列的分段线性表示的运用，这在前一篇文章中已经开始。今天，我们要看看如何将该方法与其它时间序列分析方法相结合，从而提高价格趋势预测品质。
这篇文章与我以前发表的有些不同。在本文中，我们将谈谈时间序列的另类表示。时间序列的分段线性表示是一种利用涵盖小间隔的线性函数逼近时间序列的方法。
在探索各种模型架构设计时，我们往往对模型训练过程的关注投入不足。在本文中，我旨在弥补这一差距。
高效提取与集成长期依赖关系和短期特征，仍然是时间序列分析中的一项重要任务。它们的正确理解及整合，对于创建准确可靠的预测模型是必要的。
基于变换器架构的模型展现出高效率，但由于在训练阶段、及运行期间都资源成本高昂，故它们的使用变得复杂。在本文中，我提议领略那些能够降低此类模型内存占用的算法。
在处理时间序列时，我们始终按其历史序列使用源数据。但这是最好的选项吗？有一种观点认为，改变输入数据顺序将提高训练模型的效率。在本文中，我邀请您领略其中一种优化输入序列的方法。
在本文中，我们继续实现 ATFNet 模型的方式，其在时间序列预测内可自适应地结合 2 个模块（频域和时域）的结果。
FreDF 方法的作者通过实验证实了结合频域和时域进行预测的优势。不过，权重超参数的使用对于非稳态时间序列并非最优。在本文中，我们将领略结合频域和时域预测的自适应方法。
我们继续探索时间序列在频域中的分析和预测。在本文中，我们将领略一种在频域中预测数据的新方法，它可被加到我们之前研究过的众多算法当中。
通过研究 FEDformer 方法，我们打开了时间序列频域表述的大门。在这篇新文章中，我们将继续一开始的主题。我们将研究一种方法，据其我们不仅能进行分析，还可以预测特定区域的后续状态。
到目前为止，我们研究过的所有模型在分析环境状态时都将其当作时间序列。不过，时间序列也能以频率特征的形式表示。在本文中，我将向您介绍一种算法，即利用时间序列的频率分量来预测未来状态。
为尝试获得最准确的预测，研究人员经常把预测模型复杂化。而反过来又会导致模型训练和维护成本增加。这样的增长总是公正的吗？本文阐述了一种算法，即利用线性模型的简单性和速度，并演示其结果与拥有更复杂架构的最佳模型相当。
