.png){kind=icon}
返回
GLinear: multivariate time series forecasting method towards controllable and efficient grouping
.png){kind=icon}
PRE
AI
DOI：10.1007/s13042-025-02778-8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多元时间序列分析旨在利用过去的时间序列数据来预测未来趋势。近年来，由于轻量级结构和卓越性能，多层感知器方法引起了广泛关注。一些基于Transformer架构和卷积神经网络模型的模型也使用线性层进行解码。然而，由于时间序列中各通道的差异，单一线性模型限制了模型有效预测不同通道的能力。作为代表性线性模型，DLinear允许为不同通道分配参数独立的线性层以增强模型性能。然而，当通道数量较大时，这种方法可能导致线性层训练不足以及模型复杂度显著增加等问题。因此，我们提出了一种分组参数独立线性模型GLinear。通过计算相关性并应用社区检测算法对相关变量进行分组，我们对分组后的通道应用不同的线性层结构。GLinear允许对组内相关性进行显式控制，且仅需针对不同数据集进行一次计算，从而在有效性和复杂度之间实现了有效平衡。在七个真实数据集上的实验表明，GLinear在显著优于经典线性模型的同时保持了较低的复杂度。
Keyword:
Time series forecasting
Channel group
Parameter independence
期刊
IF:
2.7
论文数:
3.2K
被引数:
5.6K
机构
引用论文
.png){kind=icon}
Time Series Forecasting for Decision Making on City-Wide Energy Demand: A Comparative Study城市范围能源需求的时间序列预测：用于决策制定的比较研究
PREAI
分享收藏Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting告密者: 超越长序列时间序列预测的高效变压器
OAAI
OAAI分享收藏
查看更多内容