.png){kind=icon}
返回
Consistency regularization for few shot multivariate time series forecasting
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-025-99339-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多变量时间序列预测旨在通过捕捉和分析时间序列的各种特征来准确预测未来趋势。充足的数据训练对于确保模型泛化能力至关重要。然而，在实际应用中获取足量高质量标注数据往往是一项挑战。为解决此问题，我们提出了一种结合时频挖掘与一致性正则化的多变量时间序列预测算法。首先，我们通过采用弱扰动技术增加数据量，扩展原始数据空间。此外，我们确保模型在输入数据变化时保持预测稳定性，采用一致性正则化方法。该方法为模型提供了更丰富的训练样本，使其能够更全面地学习和理解数据中的不同变化模式和特征。其次，我们使用两种互补的依赖提取器，自适应地捕捉不同频率模式下的变量间交互。这提升了模型感知和处理不同频域信息的能力。最后，我们在五个真实数据集上验证了所提方法的泛化性和有效性。大量实验结果证明，在性能方面，我们的方法优于现有方法。
Keyword:
Multivariate time series forecasting
Consistency regularization
Time-frequency mining
Few-shot learning
期刊
IF:
3.9
论文数:
28.0W
被引数:
83.5W
机构
引用论文
WITHDRAWN: FCDNet: Frequency-guided complementary dependency modeling for multivariate time-series forecasting撤回：FCDNet：基于频率引导的互补依赖建模的多变量时间序列预测
PREAI
分享收藏分享收藏A long-term multivariate time series forecasting network combining series decomposition and convolutional neural networks结合序列分解和卷积神经网络的长期多元时间序列预测网络
PREAI
分享收藏Temporal self-attention-based Conv-LSTM network for multivariate time series prediction基于时间自注意的conv-lstm网络的多变量时间序列预测.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏DFNet: Decomposition fusion model for long sequence time-series forecastingDFNet: 长序列时间序列预测的分解融合模型
PREAI
分享收藏Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural NetworksProceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining
OAAI
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
OAAI分享收藏
查看更多内容