【NeurIPS2024】用于时间序列预测的检索增强扩散模型

学术   2024-11-04 17:02   北京  
来源:专知

本文约1000字,建议阅读5分钟

我们提出了一种检索增强时间序列扩散模型(RATD)。


尽管时间序列扩散模型在许多最新的研究中受到了广泛关注,但现有模型的性能仍然非常不稳定。限制时间序列扩散模型的因素包括时间序列数据集不足以及缺乏指导。为了解决这些限制,我们提出了一种检索增强时间序列扩散模型(RATD)。RATD 框架由两个部分组成:基于嵌入的检索过程和参考引导的扩散模型。在第一部分中,RATD 从数据库中检索与历史时间序列最相关的时间序列作为参考。这些参考在第二部分中被用于指导去噪过程。我们的方法通过利用数据库中的有意义样本来辅助采样,从而最大化数据集的利用率。同时,这种参考引导机制也弥补了现有时间序列扩散模型在指导方面的不足。在多个数据集上的实验和可视化结果展示了我们方法的有效性,尤其是在复杂的预测任务中。我们的代码已发布在:https://github.com/stanliu96/RATD



关于我们

数据派THU作为数据科学类公众号,背靠清华大学大数据研究中心,分享前沿数据科学与大数据技术创新研究动态、持续传播数据科学知识,努力建设数据人才聚集平台、打造中国大数据最强集团军。




新浪微博:@数据派THU

微信视频号:数据派THU

今日头条:数据派THU


数据派THU
清华大数据研究中心官方平台,发布团队科研、教学等最新动态及大数据领域的相关信息~
 最新文章