Minusformer: Effizientes Zeitreihenvorhersageverfahren durch schrittweises Lernen von Residuen
Das Minusformer-Modell verbessert die Zeitreihenvorhersage, indem es die Supervision-Signale schrittweise zerlegt und die Residuen progressiv lernt, was die Überanpassung reduziert und die Leistung erhöht.
Tiefes und flaches Disentangling von Mehrfrequenzmustern für die Zeitreihenvorhersage
D-PAD, ein Deep-Shallow-Mehrfrequenz-Muster-Disentangling-Neuronalnetzwerk, zerlegt Zeitreihen effektiv in Komponenten mit unterschiedlichen Frequenzbereichen und lernt die in verschiedenen Komponenten verstreuten und vermischten Informationen derselben Frequenzen, um die Vorhersageleistung zu verbessern.
Flexible Bayesianische Exponentialglättungsmodelle mit lokalem und globalem Trend zur Vorhersage schnell wachsender, volatiler Zeitreihen
Dieser Artikel stellt eine Familie von saisonalen und nicht-saisonalen Zeitreihenmodellen vor, die als Verallgemeinerungen von additiven und multiplikativen Exponentialglättungsmodellen angesehen werden können. Die Modelle können Zeitreihen modellieren, die schneller als linear, aber langsamer als exponentiell wachsen. Die Entwicklung der Modelle wird durch schnell wachsende, volatile Zeitreihen motiviert.
Verbesserung der Zeitreihenvorhersage durch Verwendung von Nicht-Dezimierter Wavelet-Paket-Merkmalen und Transformer-Modellen
Die Verwendung von Wavelet-Merkmalen anstelle von höheren Verzögerungen als Eingaben für verschiedene Vorhersagemethoden, einschließlich moderner Transformer-basierter neuronaler Netzwerke, führt zu signifikanten Verbesserungen der Vorhersageleistung.
