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
Thông tin chi tiết chính được chắt lọc từ
by Qinyao Luo,S... lúc arxiv.org 03-26-2024
https://arxiv.org/pdf/2403.16495.pdfYêu cầu sâu hơn