Das LSTTN-Modell umfasst folgende Komponenten:
Subseries-Temporal-Repräsentations-Lerner (STRL): Dieser Transformer-basierte Teilnehmer lernt komprimierte und kontextreiche Subseries-Repräsentationen aus langen Zeitreihen, indem er eine Maske-Rekonstruktionsaufgabe verwendet.
Langfristiger Trend-Extraktor: Dieser Modul verwendet gestapelte 1D-dilatierte Konvolutionsschichten, um langfristige Trends aus den Subseries-Repräsentationen zu extrahieren.
Periodizitäts-Extraktor: Dieser Modul nutzt eine raumbasierte Graphkonvolution, um die inhärente Periodizität im Verkehrsfluss aus den Repräsentationen derselben Zeitperiode in der Vorwoche und dem Vortag zu erfassen.
Kurzfristiger Trend-Extraktor: Dieser Modul verwendet ein bestehendes STGNN-Modell, um feinkörnige kurzfristige Trendmerkmale direkt aus der kurzfristigen historischen Zeitreihe zu lernen.
Schließlich werden die lang- und kurzfristigen Merkmale fusioniert, um die Vorhersageergebnisse zu erhalten. Die Experimente auf vier realen Datensätzen zeigen, dass das LSTTN-Modell die Baseline-Modelle für alle Vorhersagehorizonte übertrifft, insbesondere bei längeren Vorhersagen.
To Another Language
from source content
arxiv.org
Дополнительные вопросы