基于趋势信号解耦和预测优化的多元时间序列预测方法和系统

  • 国民经济行业:信息传输、软件和信息技术服务业/软件和信息技术服务业/数据处理和存储服务
  • 学科类别:计算机科学技术/人工智能/计算机神经网络
  • 权利人:上海交通大学

知识产权简介

时间序列信号通常表现为短期多周期波动和长期趋势的组合。实践中,后者由于具有更粗粒度,对预测结果具有更重要影响。然而原始序列数据中的信息稀疏性以及不同变量之间的异质和多样化分布使得趋势建模更加困难。在该项研究中,我们提出了一种名为TrendFormer的架构,用于解决上述两个挑战。我们的方法首先利用短时傅立叶变换来分离趋势信号并减轻其稀疏性。而后为处理非正态趋势变量,我们利用高斯混合模型中的多个高斯分量近似每个变量的整体分布,每个分量覆盖不同子尺度,然后用每个分量构造高斯径向基函数,将趋势序列转换为累积概率密度表示序列,并进一步加入反向注意力模块学习变量相关性。此外,我们采用轻量级多层感知器与共享参数以及低通滤波器来高效预测剩余多周期分量。我们在7个数据集上评估了TrendFormer在多元长期时间序列预测中的表现。实验结果表明,在准确性和效率方面,TrendFormer相对于其他方法具有优越性。

基本信息

权利人 上海交通大学
知识产权类型 专利
意向合作模式
预估金额
联系合作