时间卷积网络：在时间点上优化跨变量交互以进行时间序列预测
原文中文，约400字，阅读约需1分钟。发表于：。本研究解决了现有变压器模型在捕捉多变量时间序列的复杂动态交互方面的不足。提出的TimeCNN模型使用时间点独立的卷积核，能够有效处理跨变量的正负相关关系，并自适应地捕捉随时间变化的变量关系。实验结果表明，TimeCNN在多个数据集上表现优于最先进模型，同时显著降低了计算需求和参数数量。
本文介绍了ConvTimeNet，一种用于时间序列分析的深层全卷积网络。它通过自适应分割时间序列为子序列，结合深度卷积和点卷积，采用Transformer编码器风格，捕捉全局和跨变量依赖。通过调整核大小实现多尺度表示。实验显示，该模型在预测和分类任务中表现优于基线，代码已公开。
