时间序列+Transformer席卷而来，性能秒杀传统，创新性拉满，引爆顶会！

时间序列分析与Transformer模型的结合，已成为深度学习领域的一大趋势。这种结合能够高效捕捉序列中的长期依赖关系，提升时间序列分析和预测的准确性。

时间序列+Transformer技术在股票价格预测、气候预测、交通流量预测、设备故障预测、自然语言处理等多个重要领域均取得了显著的进展，其创新的方法和卓越的性能使其成为研究的热点，在最新顶会（如ICML、ICLR、AAAI等）中也有着多篇发文。

需要的同学添加公众号【人工智能爱好者Hunt】 回复 时序trans 即可全部领取

Transformer-based time series prediction of the maximum power point for solar photovoltaic cells

文章解析：

本文提出了一种基于Transformer的深度学习模型，用于太阳能光伏电池的最大功率点跟踪（MPPT）。该模型通过综合环境特征和时间特征来表示环境条件，并利用注意力机制高效地学习数据中的时间模式。

实验结果表明，该模型在测试数据集上达到了0.47%的平均百分比误差，平均功率效率为99.54%，峰值功率效率为99.98%。

创新点：

1.提出了基于Transformer的深度学习模型，用于太阳能光伏电池的最大功率点跟踪。

2.引入了时间特征以建模大气条件中的周期性模式，提高了模型的鲁棒性。

3.通过综合环境特征和时间特征，更全面地表示了环境条件。

研究方法：

1.使用Transformer架构作为时间序列预测模型，输入多维时间序列特征。

2.训练数据集包含50个地点的典型气象年数据点。

3.通过注意力机制学习数据中的时间模式。

研究结论：

1.提出的模型在非零工作电压点上的预测平均百分比误差为0.47%，平均功率效率为99.54%，峰值功率效率为99.98%。

2.通过实时仿真验证了模型的有效性。

3.该模型在广泛的环境条件下表现出稳健、动态且无延迟的功率点跟踪性能。

需要的同学添加公众号【人工智能爱好者Hunt】 回复 时序trans 即可全部领取

Double-Path Adaptive-correlation Spatial-Temporal Inverted Transformer for Stock Time Series Forecasting

文章解析：

本文提出了一种新的时空图神经网络模型——DPA-STIFormer，用于股票时间序列预测。该模型通过特征变化作为令牌来建模每个节点的时间序列，并引入了双路径自适应相关块和门机制，以更全面地提取动态空间信息和融合不同类型的关联信息。

实验结果表明，该模型在多个股票市场数据集上取得了最先进的性能。

创新点：

1.提出了DPA-STIFormer模型，首次将特征变化作为令牌来建模时间序列。

2.引入了双路径自适应相关块，从时间和特征两个维度同时提取节点间的关联信息。

3.设计了门机制，有效融合了两种不同类型的关联信息。

4.提出了分解拟合的解码器，能够更好地处理股票预测中的微小和剧烈变化。

研究方法：

1.将时间序列的特征变化作为令牌进行建模，而非传统的按时间步长。

2.设计了双路径自适应相关块，分别从时间和特征维度提取节点间的关联信息。

3.引入了重要性权重机制，确保在计算注意力时考虑特征的重要性。

4.使用门机制融合来自时间和特征路径的信息。

5.解码器采用分解拟合方法，分别预测均值和偏差，提高预测精度。

研究结论：

1.DPA-STIFormer模型在多个股票市场数据集上取得了最先进的性能，验证了其在挖掘潜在时空关联模式方面的优越能力。

2.通过特征变化作为令牌建模时间序列，可以更有效地提取动态空间信息。

3.双路径自适应相关块和门机制的结合，显著提升了模型的预测性能。

需要的同学添加公众号【人工智能爱好者Hunt】 回复 时序trans 即可全部领取

原文地址：https://blog.csdn.net/m0_73122726/article/details/142763529

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！