.png){kind=icon}
返回
MSPatch: A multi-scale patch mixing framework for multivariate time series forecasting
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.126849.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是交通管理、天气预报等领域的热门但具有挑战性的课题，其中数据通常表现出复杂的时变特性。目前，在准确理解序列中多个变量在不同时间点之间的相关性方面仍存在显著的研究空白。分块预处理方法近年来显示出潜力，但固定的分块长度限制了其潜力。为解决这一问题，我们提出了MSPatch（时间序列预测的多尺度分块混合方法），该方法将序列分解为多尺度分块以捕捉短期和长期模式。我们的主要创新包括多尺度分块嵌入（MSPE）模块、分块线性注意力（PLA）模块和混合分块卷积（HPC）模块。这一多尺度分块设计使MSPatch能够将序列分解为不同尺度，并从细到粗尺度融合季节性和趋势成分，从而灵活地捕捉各种时域特征。广泛的实验表明，我们的模型在长期预测任务中达到了最先进性能，与基准模型PatchTST相比，在MSE和MAE预测精度上分别提升了14.5%和10.0%。这些结果突显了MSPatch灵活建模多样化时域特征的能力，显著提高了预测精度和鲁棒性。通过解决现有方法的关键局限性，MSPatch为实际多变量时间序列预测挑战提供了一种可扩展且具有影响力的解决方案。
Keyword:
Multivariate time series forecasting
Multi-scale patch embedding
Patch linear attention
Hybrid patch convolution
期刊
IF:
7.5
论文数:
2.9W
被引数:
10.2W
机构
暂无机构信息
引用论文
分享收藏分享收藏Artificial intelligence and healthcare: Forecasting of medical bookings through multi-source time-series fusion人工智能和医疗保健: 通过多源时间序列融合预测医疗预订.png)
INFORMATION FUSION
INFORMATION FUSIONIF15.5
PREAI
分享收藏Financial time series forecasting with deep learning : A systematic literature review: 2005-2019
OAAI
OAAI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 没有更多内容
没有更多内容