.png){kind=icon}
返回
.png){kind=icon}
.png){kind=icon}
摘要
En 中文
时间序列预测在预测不同时间尺度的复杂时序模式时面临重大挑战。我们提出TimeFlowDiffuser框架，通过具有自适应上下文采样的分层结构来适应扩散模型进行时间序列预测。我们的方法包含：(1)分层时序分辨率模块，在多尺度上处理时间序列；(2)自适应上下文采样机制，动态选择相关历史上下文；(3)频率感知条件化组件，处理不同频率成分；(4)多时间尺度生成策略，高效预测各时间尺度。在五个基准数据集上的实验表明，TimeFlowDiffuser持续优于现有最优方法，MSE和MAE平均提升7.2%和6.3%，尤其在长尺度预测任务中表现突出。该方法在缺失值和分布漂移方面表现出增强的鲁棒性，计算权衡讨论见第5.6节。
Keyword:
Time series forecasting
Diffusion models
Multi-scale modeling
Adaptive sampling
Multi-horizon prediction
期刊
A
IF:
0
论文数:
24
被引数:
0
机构
引用论文
Learning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation使用RNN编码器-解码器学习统计机器翻译的短语表示.png)
OAAI
OAAI.png){kind=icon}
分享.png){kind=icon}
收藏分享收藏DiffSTG: Probabilistic Spatio-Temporal Graph Forecasting with Denoising Diffusion Models.png)
Proceedings of the 31st ACM International Conference on Advances in Geographic Information SystemsOAAI
Proceedings of the 31st ACM International Conference on Advances in Geographic Information SystemsIF0
OAAI分享收藏
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