.png){kind=icon}
返回
Patch-Based Transformers for Long-Term Energy Consumption Forecasting
.png){kind=icon}
PRE
AI
DOI：10.1142/S0218213025400135.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于补丁的Transformer模型已被广泛应用，并在涉及多维时空数据的各个领域（例如视觉任务）中取得了最先进的表现。最近，它们已成为多变量时间序列预测的有前景的替代方案，其中每个单变量序列被视为一个独立通道，同时共享相同的嵌入和Transformer权重。在本工作中，我们进一步探索了基于补丁的Transformer在单变量时间序列预测（特别是能源消耗预测）方面的能力。我们的主要兴趣在于长期预测，这是文献中相对较少探索的领域。为此，我们在两个能源消耗数据集（一个公开和一个私有）上评估了基于Transformer的模型，并评估了其性能。我们认为，利用补丁或类似补丁的技术可以显著提高模型效率。最后，我们讨论了基于Transformer的架构的当前局限性，并提出了潜在的解决方案。
Keyword:
Patch-based transformers
long-term time series forecasting
energy consumption
期刊
I
IF:
1
论文数:
36
被引数:
0
机构
引用论文
Energy demand forecasting using adaptive ARFIMA based on a novel dynamic structural break detection framework.png)
APPLIED ENERGY
APPLIED ENERGYIF11
PREAI
分享收藏Forecasting carbon price using empirical mode decomposition and evolutionary least squares support vector regression基于经验模态分解和进化最小二乘支持向量回归的碳价格预测APPLIED ENERGY
OAAI
APPLIED ENERGYIF11
OAAI分享收藏
NOA-LSTM: An efficient LSTM cell architecture for time series forecastingNOA-LSTM: 一种用于时间序列预测的高效LSTM单元架构
PREAI
分享收藏DeepTSF: Codeless machine learning operations for time series forecastingDeepTSF：无代码机器学习操作用于时间序列预测SoftwareXOAAI
SoftwareXIF0
OAAI分享收藏 没有更多内容
没有更多内容