文章预览
文章介绍了一种新的时间序列预测模型 TimeCNN ，旨在解决现有 Transformer 模型在捕捉多变量时间序列中复杂动态关系的局限性。 TimeCNN 的创新之处在于采用时间点独立的卷积核，使每个时间点能够独立建模，以有效捕捉变量之间的正负相关性及其随时间的变化。通过对 12 个真实世界数据集的广泛实验， TimeCNN 不仅在预测性能上超越了当前的最先进模型，还显著降低了计算需求，提升了推理速度。这一方法为复杂动态多变量关系的时间序列预测提供了新的思路和解决方案。 1 交互模型 l 跨时间交互模型 在 跨时间交互模型旨在捕捉时间点之间的依赖关系，以提升时间序列预测的准确性。这些模型，特别是基于 Transformer 的结构，如 Informer 和 Autoformer ，利用自注意力机制有效建模长时间跨度的依赖关系。然而，它们在处理复杂多变量动态交互时仍存在局
………………………………
