DMSC:用于时间序列预测的动态多尺度协调框架

《ACM Transactions on Knowledge Discovery from Data》:DMSC: Dynamic Multi-Scale Coordination Framework for Time Series Forecasting

【字体: 大 中 小 】 时间:2026年09月21日 来源:ACM Transactions on Knowledge Discovery from Data 6.9

编辑推荐:

   摘要AI 摘要要查看此 AI 生成的摘要,您必须拥有高级访问权限。了解更多登录摘要摘要时间序列预测(TSF)在面对跨不同尺度建模复杂时间依赖关系时仍存在持久性挑战。尽管近期在利用不同分解操作以及基于 CNN、MLP 或 Transformer 的新型架构方面取得了进展,现有方

  

摘要

摘要

时间序列预测(TSF)在面对跨不同尺度建模复杂时间依赖关系时仍存在持久性挑战。尽管近期在利用不同分解操作以及基于 CNN、MLP 或 Transformer 的新型架构方面取得了进展,现有方法仍在静态分解策略、碎片化的依赖建模以及不灵活的融合机制等方面面临困难,限制了其建模复杂时间依赖关系的能力。为分别明确解决上述三个问题,我们提出了一种新型动态多尺度协调框架(DMSC),该框架包含多尺度补丁分解模块(EMPD)、三元交互模块(TIB)和自适应尺度路由 MoE 模块(ASR-MoE)。具体而言,EMPD 被设计为内置组件,以将序列动态地分割为具有指数缩放粒度层级的补丁,通过输入自适应的补丁调整消除预定义尺度约束。TIB 随后在每个层级的分解表示中联合建模补丁内、补丁间以及跨变量依赖关系。EMPD 和 TIB 被共同集成到各层中,形成多层级渐进级联架构,其中早期层的粗粒度表示通过门控路径自适应地引导后续层的细粒度特征提取。ASR-MoE 则通过利用具有时间感知加权机制的专用全局和局部专家,动态融合多尺度预测结果。在十三个真实世界基准数据集上的全面实验表明,DMSC 在时间序列预测任务中始终保持最优(SOTA)性能,并取得了精度与效率之间的良好平衡。

AI 摘要

AI 生成摘要(实验性)

本摘要由自动化工具生成,未经本文作者撰写或审阅。此摘要旨在支持内容发现、帮助读者评估相关性,并协助来自相邻研究领域的读者理解本工作。本摘要用于补充作者提供的摘要,作者摘要仍是论文的主要概述。完整文章仍为权威版本。

点击此处了解更多信息。

点击此处对此摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进及未来重新生成的版本。

要查看此 AI 生成的通俗摘要,您必须拥有高级访问权限。

相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号