.png){kind=icon}
返回
Integrated codec decomposed Transformer for long-term series forecasting
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neunet.2025.107484.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，基于Transformer和多层感知器（MLP）的架构在时间序列预测领域形成了竞争格局。有证据表明，序列分解可以进一步增强模型感知时序模式的能力。然而，大多数现有的基于Transformer的分解模型逐步捕捉季节性特征，并协助添加趋势进行预测，但忽略了趋势中包含的深层信息，可能导致融合阶段的模式失配。此外，注意力机制的排列不变性不可避免地导致时序信息的丢失。在对注意力和线性层对序列组件的适用性进行深入分析后，我们提出使用注意力从趋势中学习多变量相关性，并使用MLP捕捉季节性模式。我们进一步引入了一个集成编解码器，为编码和解码阶段提供相同的多变量关系表示，确保时序依赖的有效继承。为缓解注意力过程中的序列性衰减，我们提出了趋势增强模块，该模块通过将序列扩展到更长的时间尺度来维持趋势的稳定性，帮助注意力机制实现细粒度特征表示。广泛的实验表明，我们的模型在大规模数据集上表现出卓越的预测性能。
Keyword:
Time series forecasting
Series decomposition
Integrated codec
Trend enhancement
Multivariate relationship
期刊
IF:
6.3
论文数:
8.2K
被引数:
3.0W
机构
引用论文
Financial fraud detection applying data mining techniques: A comprehensive review from 2009 to 2019应用数据挖掘技术的金融欺诈检测: 2019年2009年综述.png)
COMPUTER SCIENCE REVIEW
COMPUTER SCIENCE REVIEWIF12.7
PREAI
分享收藏Temporal convolutional neural (TCN) network for an effective weather forecasting using time-series data from the local weather station使用来自当地气象站的时间序列数据进行有效天气预报的时间卷积神经 (TCN) 网络SOFT COMPUTING
OAAI
SOFT COMPUTINGIF2.5
OAAI分享收藏Long sequence time-series forecasting with deep learning: A survey基于深度学习的长序列时间序列预测研究综述INFORMATION FUSION
INFORMATION FUSIONIF15.5
PREAI
分享收藏
查看更多内容