BasisFormer: 可学习和可解释的基于注意力的时间序列预测
原文中文，约300字，阅读约需1分钟。发表于：。BasisFormer 是一种端到端时间序列预测架构，它利用可学习和可解释的基来获取基础。通过自适应的自监督学习获得基础，使用双向交叉注意力计算时间序列与基础之间的相似性系数，并根据相似性系数选择和整合未来视图中的基础，从而实现准确的未来预测。通过对六个数据集进行广泛实验，证明 BasisFormer 在单变量和多变量预测任务中分别超过先前的最先进方法 11.04% 和 15.78%。
BasisFormer是一种端到端时间序列预测架构，利用可学习和可解释的基来获取基础。通过自适应的自监督学习获得基础，使用双向交叉注意力计算时间序列与基础之间的相似性系数，并根据相似性系数选择和整合未来视图中的基础，从而实现准确的未来预测。实验结果表明，BasisFormer在单变量和多变量预测任务中分别超过先前的最先进方法11.04%和15.78%。
