.png){kind=icon}
返回
D-TIME: an improved framework for multivariate time series forecasting
.png){kind=icon}
PRE
AI
DOI：10.1007/s10115-026-02725-1.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在多变量时间序列预测中，有效建模时间序列内部和序列间的依赖关系是实现准确预测的关键。沿这两个维度进行双重聚类是一种常用的建模方法；DUET是该类别中的最先进方法。然而，它存在以下两个局限性：(1) 其通道相关性指标过度强调频域信息而未能充分利用时域信息；(2) 在复杂时域分布中难以捕捉多尺度周期模式。为解决这两个局限性，我们提出了一种改进框架D-TIME，该框架包含两个核心组件：解耦引导的时空-频域相似性度量（STSM）和多尺度模式分解混合专家模型（SMDM）。STSM融合时域趋势和谱周期性相似性以实现跨域特征互补，而SMDM通过残差分解-聚合自适应整合多尺度周期特征。在八个基准数据集上的广泛实验将D-TIME与九个代表性基线模型进行比较，结果表明D-TIME在大多数场景下均取得更优性能。平均而言，它将均方误差（MSE）降低约7.8%，将平均绝对误差（MAE）降低约5.2%，同时保持跨所有基准的竞争力。我们的代码可在https://github.com/wym0924/D-TIME获取。
Keyword:
Multivariate time series forecasting
Temporal decoupling
Multi-period features
Time-frequency similarity
期刊
IF:
3.1
论文数:
550
被引数:
5.2K
机构
引用论文
A new hybrid model based on secondary decomposition, reinforcement learning and SRU network for wind turbine gearbox oil temperature forecasting.png)
MEASUREMENT
MEASUREMENTIF5.6
PREAI
分享收藏mLANet: An efficient recurrent neural network for long-term time series forecastingmLANet: 一种用于长期时间序列预测的高效递归神经网络
PREAI
分享收藏
Exploring Progress in Multivariate Time Series Forecasting: Comprehensive Benchmarking and Heterogeneity Analysis多元时间序列预测的探索进展: 综合基准和异质性分析
PREAI
分享收藏 没有更多内容
没有更多内容