다변량 시계열 예측

Kirjaudu sisään

näkemys - 다변량 시계열 예측

다변량 시계열(MTS) 데이터 세트의 다양한 특성으로 인해 예측 모델의 성능 평가가 어려우며, 이러한 이질성을 고려한 벤치마킹 및 분석이 필요하다.

본 논문에서는 이상치에 민감한 기존 로그 스코어의 단점을 보완하고, 에너지 스코어 대비 효율성을 높인 MVG-CRPS 손실 함수를 제안하여 다변량 가우시안 분포 기반의 확률 예측에서 더욱 정확하고 강력한 성능을 달성했습니다.

TiVaT는 시간과 변수 의존성을 동시에 고려하는 새로운 아키텍처로, 복잡한 시간-변수 상호작용을 효과적으로 모델링할 수 있다.

다변량 시계열의 채널 간 시간 종속성을 효과적으로 모델링하기 위해 다변량 직교 다항식 근사 기반의 개선된 상태 공간 모델 Poly-Mamba를 제안한다.

다변량 시계열 예측을 위해 각 변량에 대한 고유하고 일관된 임베딩을 학습하고, 이를 전문가 혼합(MoE) 및 저차원 적응(LoRA) 기술과 결합하여 예측 성능을 향상시키는 방법을 제안한다.

SOFTS는 채널 간 상호작용을 효율적으로 포착하는 STAD 모듈을 통해 기존 모델 대비 우수한 성능을 달성하면서도 낮은 계산 복잡도를 보인다.

다변량 시계열의 예측을 위한 Hierarchical Time series Variational Transformer (HTV-Trans) 모델은 비정상 및 확률적 특성을 효과적으로 캡처하여 탁월한 예측 성능을 보입니다.

다변량 시계열 예측을 위한 새로운 모델인 Leddam은 학습 가능한 분해와 이중 주의 모듈을 도입하여 예측 성능을 혁신적으로 향상시킵니다.

다변량 시계열 예측을 향상시키기 위해 상호 정보 기반의 Cross-Variable 및 Temporal 모델링을 도입하고 성과를 증명합니다.

Tietoja

Tuotteet

Resurssit