PulseAugur
中
实时 09:24:46
English(EN) POEM: Phase-Aware $\mathrm{SO}(2)$ Feature Rotation for Time Series Forecasting Under Periodicity Drift

新的POEM框架通过相位感知旋转解决时间序列预测问题

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了POEM，一个旨在通过解决周期性漂移的挑战来改进时间序列预测的新型框架。这种漂移发生在时间序列中周期的时序和相位随时间变化时，这是当前方法因依赖固定时间网格而难以处理的问题。POEM利用基于特殊正交群SO(2)的潜在特征旋转来学习相位校正坐标，并对潜在特征应用可逆旋转，从而减少与相位相关的变异性。该框架结合了方向相位增量注意力（DPIA）来从历史相位增量中学习，并将其整合到未来的校正中，在实验中表现出有竞争力的性能。 AI

影响 这项研究可能导致更准确的具有漂移周期性系统的预测模型，影响金融和气象等领域。

排序理由 该集群包含一篇详细介绍时间序列预测新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

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

新的POEM框架通过相位感知旋转解决时间序列预测问题

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Jiawen Zhu, Shuhan Liu, Shengxuan Li, Qiming Shi, Di Weng ·

    POEM: Phase-Aware $\mathrm{SO}(2)$ Feature Rotation for Time Series Forecasting Under Periodicity Drift

    arXiv:2608.03630v1 Announce Type: new Abstract: Deep learning has advanced time series forecasting, but periodicity drift, in which cycle timing and phase vary over time, remains a challenging problem. Existing methods predominantly model these sequences on fixed time grids, suff…

相关实体

相关话题