Skip to content

2023、TimesNet

约 459 个字 18 张图片 预计阅读时间 2 分钟

  • 代码结构图

TIMESNET: TEMPORAL 2D-VARIATION MODELING FOR GENERAL TIME SERIES ANALYSIS

image-20250303091236567

【参看】论文研读之时序分析通用基础模型：TimesNet 预测/插补/分类/异常检测

作者团队

image-20250303145130518

期刊：ICLR2023

问题描述

image-20250303144241127

时间序列的多周期性，相互重叠、相互影响

例如交通流领域，一般会用三个周期：

  • recently：相邻 1 小时的变换
  • daily：周一到周二的变化（周一的早上和周二的早上）
  • weekly：每周的变换（每周的周一之间也相互有关系）

这篇文章给了多周期性两个定义

  • 周期内变化叫 intra：相邻区域的时间、短期的时间模式
  • 周期间变化叫 inter：相邻时段存在一个连续不同时期的一个长期趋势，例如 两个周期之间的周一和周一

不同的周期导致不同的周期内和周期间的变化，跟周期长度是有关系的

创新点

image-20250303144311996

第一个创新点，用模块化对时间变换进行建模，把一维的这个时间序列转成二维的图（或者说矩阵），同时表示周期内和周期间的变化

具体来说：拼接相同度量的时间步

周期间：不同周期同一时段的点串起来

红色表示 周期内，蓝色表示周期间

image-20250303144344436

第二个创新点，设计了 时间模块 times block，自适应的发现多周期，这个模型里面包含了发现多周期的方式；第二方面：从这个二维张量里面可以捕获时间变化

第三个，任务通用的基础模型

方法

image-20250303144413760

第一个部分，自适应的发现多周期，

补：傅里叶变换

image-20250303144430568

image-20250303144448665

image-20250303144511185

image-20250303144531632

image-20250303144547305

image-20250303144601249

实验结果

image-20250303144632073

长期预测

image-20250303144724330

短期预测

image-20250303144747178

插补

image-20250303144817630

分类

image-20250303144832236

异常检测

image-20250303144850108

add_circle2025-03-03 09:12:05update2025-04-13 10:20:50