.png){kind=icon}
返回
Timestamp-Guided Knowledge Distillation for Robust Sensor-Based Time-Series Forecasting
.png){kind=icon}
PRE
AI
DOI：10.3390-s25154590.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
准确的时间序列预测在传感器驱动的应用中（如能源监测、交通流量预测和环境传感）发挥着至关重要的作用。尽管大多数现有方法侧重于从历史观测中提取局部模式，但它们往往忽略了嵌入时间戳中的全局时序信息。然而，该信息代表了传感器数据中一个有价值的且未被充分利用的方面，能够显著提升预测性能。本文提出了一种新颖的时间戳引导知识蒸馏框架（TKDF），该框架通过异构预测分支间的互学习整合历史和时戳信息，以增强预测的鲁棒性。该框架包含两个互补分支：一个骨干模型（Backbone Model），用于捕捉历史序列中的局部依赖关系；以及一个时间戳映射器（Timestamp Mapper），用于学习编码在时戳特征中的全局时序模式。为增强信息传递并减少表示冗余，在时间戳映射器内部引入了自蒸馏机制。在涵盖电力消耗、交通流量和气象测量的多个真实传感器数据集上的广泛实验表明，TKDF能够持续提升主流预测模型的性能。
Keyword:
time-series forecasting
timestamp information
knowledge distillation
sensor data
predictive modeling
期刊
IF:
3.5
论文数:
7.2W
被引数:
20.9W
机构
引用论文
Instance-based deep transfer learning with attention for stock movement prediction基于实例的注意力深度迁移学习的股票预测.png)
APPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏分享收藏分享收藏Deep knowledge distillation: A self-mutual learning framework for traffic prediction深度知识蒸馏: 一种用于流量预测的自学习框架
OAAI
OAAI分享收藏A Comparative Analysis of Early and Late Fusion for the Multimodal Two-Class ProblemIEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏AI in Healthcare: Time-Series Forecasting Using Statistical, Neural, and Ensemble Architectures医疗保健中的人工智能: 使用统计、神经和集成架构进行时间序列预测OAAI
OAAI分享收藏Self-Supervised Spatiotemporal Graph Neural Networks With Self-Distillation for Traffic Prediction
PREAI
分享收藏分享收藏
查看更多内容