Adaptive Extraction Network for Multivariate Long Sequence Time-Series Forecasting

要約

CNN アーキテクチャを採用したモデルは、多変量ロングシーケンス時系列予測 (MLSTF)、特に局所的な時系列特性のモデル化において大幅な進歩を遂げました。
ただし、MLSTF プロセスでは、グローバルな時系列パターンを抽出し、さまざまな変数間の相関関係を理解することが非常に重要です。
この課題に対処するために、多重解像度畳み込み演算と変形可能な畳み込み演算を導入します。
さまざまな拡張係数を持つコンボリューション カーネルを使用して受容野を拡大し、さまざまな解像度にわたる時間相関情報をキャプチャし、追加のオフセット ベクトルを通じてサンプリング位置を適応的に調整することで、変数間の相関のある特徴をキャプチャするネットワークの能力が強化されます。
これに基づいて、多変量時系列のローカル/グローバル時間依存関係および変数間依存関係を効果的にモデル化するように設計された適応型時間変数畳み込みネットワークである ATVCNet を提案します。
具体的には、時系列の特徴をさまざまな解像度で抽出して融合することで、ローカルなコンテキスト情報と時系列のグローバル パターンの両方をキャプチャします。
設計された変数間特徴適応抽出モジュールは、時系列内の異なる変数間の相関を捕捉します。
私たちは 8 つの現実世界のデータセットにわたって ATVCNet のパフォーマンスを評価しました。
結果は、ATVCNet が最先端の MLSTF モデルと比較して約 63.4% のパフォーマンス向上を達成したことを示しています。

要約(オリジナル)

Models employing CNN architecture have made significant progress in multivariate long sequence time-series forecasting (MLSTF), particularly in modeling local time series characteristics. However, during the MLSTF process, extracting the global time series patterns and understanding the correlations among different variables are highly significant. To address this challenge, we introduce multi-resolution convolution and deformable convolution operations. By enlarging the receptive field using convolution kernels with different dilation factors to capture temporal correlation information across different resolutions, and adaptively adjusting the sampling positions through additional offset vectors, we enhance the network’s ability to capture correlated features between variables. Building upon this, we propose ATVCNet, an adaptive temporal-variable convolutional network designed to effectively model the local/global temporal dependencies and inter-variable dependencies of multivariate time series. Specifically, extracting and fusing time series features at different resolutions, captures both local contextual information and global patterns in the time series. The designed inter-variable feature adaptive extraction module captures the correlation among different variables in the time series. We evaluated the performance of ATVCNet across eight real-world datasets. The results indicate that ATVCNet achieved a performance improvement of approximately 63.4% over state-of-the-art MLSTF models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google