PulseAugur
中
实时 05:28:00
English(EN) PMDformer: Patch-Mean Decoupling Information Transformer for Long-term Forecasting

PMDformer模型通过新的注意力机制增强了长期时间序列预测能力

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员推出了一种新颖的基于Transformer的模型PMDformer，旨在改进长期时间序列预测。该模型利用补丁-均值解耦技术来更好地捕捉不同尺度和变量之间的形状相似性。此外，它还集成了趋势恢复注意力（Trend Restoration Attention）和近端变量注意力（Proximal Variable Attention）模块，以增强依赖性建模和跨变量关系。实验表明，PMDformer在准确性和稳定性方面均优于现有的最先进方法。 AI

影响 引入了一种新的模型架构，有望提高金融和能源管理等关键领域的预测准确性。

排序理由 该集群包含一篇详细介绍新模型及其方法的论文。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

PMDformer模型通过新的注意力机制增强了长期时间序列预测能力

报道来源 [2]

  1. arXiv cs.AI TIER_1 English(EN) · Ao Hu, Liangjian Wen, Jiang Duan, Yong Dai, He Yan, Dongkai Wang, Jun Wang, Yukun Zhang, Ruoxi Jiang, Zenglin Xu ·

    PMDformer: Patch-Mean Decoupling Information Transformer for Long-term Forecasting

    arXiv:2606.26549v1 Announce Type: new Abstract: Long-term time series forecasting (LTSF) plays a crucial role in fields such as energy management, finance, and traffic prediction. Transformer-based models have adopted patch-based strategies to capture long-range dependencies, but…

  2. arXiv cs.LG TIER_1 English(EN) · Zenglin Xu ·

    PMDformer：用于长期预测的Patch-Mean解耦信息Transformer

    Long-term time series forecasting (LTSF) plays a crucial role in fields such as energy management, finance, and traffic prediction. Transformer-based models have adopted patch-based strategies to capture long-range dependencies, but accurately modeling shape similarities across p…

相关实体

相关话题