DPA-STIFormer：使用Transformer进行股市预测

文章预览

“ Double-Path Adaptive-correlation Spatial-Temporal Inverted Transformer for Stock Time Series Forecasting ” 时间序列数据在医疗、交通、天气和金融等领域广泛存在，历史数据可用于发现模式和预测未来变化。对于交通和气候预测，空间-时间预测方法（STGNNs）表现优异，但在股市预测中效果不佳，主要原因是忽视了不同时间序列之间的相互依赖。 本文提出双路径自适应相关空间-时间反转Transformer（DPA-STIFormer），通过特征变化建模节点。实验结果显示，DPA-STIFormer在四个股票市场数据集上表现优越，验证了其在揭示潜在时间相关模式方面的能力。 论文地址 ：https://arxiv.org/pdf/2409.15662 摘要 空间-时间图神经网络（STGNNs）在时间序列预测中表现良好，但在股票预测中效果不佳，因缺乏明确的空间关系。一些STGNNs通过时间序列学习空间关系，但往往不够全面。研究表明，使用 ………………………………