.png){kind=icon}
返回
SSSLN:Multivariate Time Series Forecasting via Collaborative Dynamic Graph Learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neunet.2025.107485.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（MTS）预测通过图建模取得了显著进展。然而，现有方法通常面临两个关键挑战。首先，传统的动态图学习（DGL）方法通常直接在原始MTS数据上维护动态图，忽略了在不同尺度上出现的独特时间模式（例如趋势和季节性）。其次，现有的DGL方法往往未能捕捉在多个时间尺度上演变的图结构之间的相互依赖关系，这可能限制其建模复杂时空动态的能力。为了解决这些局限性，我们提出了协同空间语义学习网络（SSSLN），这是一种基于DGL的MTS预测新框架。具体而言，我们的方法（1）将MTS数据分解为趋势和季节性分量，并为每个分量构建单独的动态图以捕捉其独特的时间模式，以及（2）引入了一种协同空间语义学习范式，该范式明确地对齐这些图的空间语义以引导其演化。这种设计使我们的模型能够充分利用多尺度信息，并揭示不同尺度间的时空依赖关系。在六个跨领域的真实数据集上的广泛实验证明了我们方法的有效性（例如，RSE评分提升高达5.913%）。
Keyword:
Deep learning
Multivariate time series forecasting
Spatiotemporal
Graph learning
期刊
IF:
6.3
论文数:
8.2K
被引数:
3.0W
机构
引用论文
.png){kind=icon}
BeCome: Blockchain-Enabled Computation Offloading for IoT in Mobile Edge Computing成为: 移动边缘计算中物联网的区块链计算卸载
PREAI
分享收藏
没有更多内容
没有更多内容