BriefGPT - AI 论文速递
·
适应模态的时间序列预测变形器
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文提出了一种基于Transformer的方法，用于估计高维多变量时间序列的联合预测分布。该方法基于注意力机制的解码器，能够可靠地模拟非参数Copulas的特性，具有多种有用的属性，可以缩放到数百个时间序列，支持预测和插值，可以处理非对齐和不均匀采样的数据，并可以在训练期间无缝地适应缺失数据。实证结果表明，该模型在多个真实数据集上都可以产生有竞争力的预测效果。
🎯
关键要点
- 提出了一种基于Transformer的方法用于估计高维多变量时间序列的联合预测分布。
- 该方法基于注意力机制的解码器，能够可靠地模拟非参数Copulas的特性。
- 模型具有多种有用的属性，包括可以缩放到数百个时间序列。
- 支持预测和插值，能够处理非对齐和不均匀采样的数据。
- 在训练期间可以无缝适应缺失数据。
- 实证结果表明该模型在多个真实数据集上产生了有竞争力的预测效果。
🏷️
标签
➡️
