AICNet: Adaptive Interactive Convolution Network for multivariate time series forecasting

doi:10.1016/j.measurement.2026.122717

AICNet: Adaptive Interactive Convolution Network for multivariate time series forecasting

2026-08-01

0

PRE

AI

DOI：10.1016/j.measurement.2026.122717

原文链接

原文求助

摘要

En 中文

时间序列预测在气象学、交通管理和经济规划等领域扮演着至关重要的角色。固有的长期和短期依赖关系为预测应用带来了独特的挑战。尽管基于Transformer的模型在捕捉长期依赖关系方面表现出色，但它们在噪声敏感度、计算效率以及小数据集上的过拟合问题方面仍存在局限性。为了克服这些困难，设计了一种用于多变量时间序列预测的自适应交互卷积网络（AICNet），旨在为各种多变量时间序列任务提供全面的解决方案。具体而言，本研究引入了一个加权自适应高频掩码谱块，利用傅里叶变换增强特征表示。该模块通过自适应高频掩码机制动态调整频率分量的权重，自动选择与预测任务最相关的频率信息。这种方法不仅有效捕捉了长期和短期关系，还通过自适应掩码减少了对模型性能的噪声影响。本研究还设计了一个交互式批卷积块，以增强AICNet解码复杂时间模式的能力，提高其在不同数据集上的鲁棒性。实验结果表明，AICNet在各种预测任务中优于现有的最先进模型，展示了其在不同数据规模下的鲁棒性和适应性。

Keyword:

Time series forecasting

Interactive convolution

Fourier transform

AICNet: Adaptive Interactive Convolution Network for multivariate time series forecasting

摘要

期刊

机构

引用论文