.png){kind=icon}
返回
STDPatch: A Three-Stream Framework for Long-Term Time Series Forecasting via SG-Filter-Based Decomposition and Patch Refactor
.png){kind=icon}
OA
AI
DOI：10.3390/bdcc10080253.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
受现实世界传感器驱动应用中非平稳因素的影响，来自能源表、交通检测器、气象站和工业监控器的时序流通常表现出由长期趋势和多尺度季节性波动组成的复杂模式。准确解耦和建模这些异构成分仍然是长期时间序列预测（LTSF）中的基本挑战。为解决此问题，我们提出了STDPatch，一种新颖的三流预测框架，结合了结构分解与架构专业化。首先，我们引入基于SG滤波器的季节-趋势分解模块，采用多项式拟合提取保形趋势，同时减少季节噪声。其次，我们设计了趋势分解模块，进一步将趋势成分分离为上升和下降段以捕捉精细演化动态。第三，我们提出了patch重构模块，根据结构相似性自适应聚合相邻patch，从而保持时间语义连续性并减少虚假相关性。最后，我们开发了三流架构，利用卷积、线性及Transformer分支分别建模季节性模式、平滑趋势和非平稳子趋势，各分支均由高效、通道独立的组件构建。在七个现实世界传感器派生基准数据集上的广泛实验表明，STDPatch在长期时间序列预测中始终优于当前最优方法。
Keyword:
SG-Filter
trend decomposition
patch refactor
three-stream architecture
期刊
B
IF:
4.4
论文数:
1.3K
被引数:
2.4K
机构
引用论文
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.png)
INFORMATION FUSION
INFORMATION FUSIONIF15.5
PREAI
分享收藏分享收藏GDRNet: a channel grouping based time-slice dilated residual network for long-term time-series forecastingGDRNet：一种基于通道分组的时间切片扩张残差网络，用于长期时间序列预测
PREAI
分享收藏Interpretable weather forecasting for worldwide stations with a unified deep model使用统一的深度模型为全球台站提供可解释的天气预报
PREAI
分享收藏Dynamic instance weighting for online learning in multi-cryptocurrency price and trend forecasting动态实例加权在多加密货币价格和趋势预测中的在线学习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Smoothing and Differentiation of Data by Simplified Least Squares Procedures.通过简化的最小二乘法对数据进行平滑和微分。
PREAI
分享收藏
查看更多内容