.png){kind=icon}
返回
A temporal kernel for time series forecasting
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.113623.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，时间序列预测（TSF）因其能在天气、电力系统和医疗保健等领域提升生活质量而受到广泛讨论。循环神经网络和基于注意力机制的模型被认为是TSF任务的主流解决方案。然而，这些刚性且计算密集的模型在真实数据集上表现不佳，特别是在处理复杂时间序列时。对于大规模时间序列，它们的训练时间会变得极长。此外，用于训练模型的批数据仅包含通用和局部统计信息，通常是平稳且单调的（即数据不会持续反转导数）。这类数据难以揭示时间序列分布的非局部和长期特性。现实中，许多真实时间序列表现出具有非局部统计特性的非平稳分布。为解决这些局限性，本文提出一种时序核方法，以灵活增强经典神经网络在TSF任务中的表示能力。具体而言，我们的方法包含三个核心组件：（1）通过引入核方法，从注意力机制中推导出一种核机，以捕捉时间序列的重要特征；（2）提出一种谱混合核映射来构建时序核，该核能够捕捉时间序列分布的非局部和长期特性；（3）采用贝叶斯学习范式，以高效优化非凸时序核网络。我们还提供了时序核近似界方面的理论分析。在真实数据集上的广泛实验表明，我们的方法在多种设置下均具有显著效果。
Keyword:
Time series forecasting
Attention mechanism
Kernel learning
Neural networks
期刊
K
IF:
7.6
论文数:
1.2W
被引数:
4.5W
机构
引用论文
分享收藏
分享收藏Learning the Joint Representation of Heterogeneous Temporal Events for Clinical Endpoint Prediction
OAAI
OAAI分享收藏Gradient-based learning applied to document recognition基于梯度的学习在文档识别中的应用.png)
PROCEEDINGS OF THE IEEE
PROCEEDINGS OF THE IEEEIF25.9
PREAI
分享收藏
查看更多内容