CARNet 框架通过周期感知核心聚合增强多元时间序列预测

研究人员推出 CARNet，一个新颖的多元时间序列预测框架，旨在解决跨变量依赖性建模的挑战，尤其是在存在强周期性模式的情况下。CARNet 将全局循环周期信息整合到使用多头核心聚合的高效核心交互建模中。实验表明，CARNet 在各种预测范围内的预测精度上超越了现有的 transformer 和非注意力基线，同时保持线性复杂度。 AI

影响 引入了一种新的时间序列预测方法，通过整合周期性模式提高了准确性和效率。

排序理由 该条目是一篇研究论文，详细介绍了用于时间序列预测的新模型 (CARNet)，已提交至 arXiv。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CARNet
• CatalyzeX
• CORE Recommender
• DagsHub
• Gotit.pub
• Hugging Face
• IArxiv Recommender
• Md. Shahria Sarker Shuvo
• Multihead Core Aggregation
• ScienceCast
• Transformer++

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →