新的EPOC方法通过压缩状态改进了时间序列预测

研究人员开发了一种名为端点保持在线校正（EPOC）的新方法，用于多时序预测。EPOC通过压缩残差状态（使用低阶离散余弦变换（DCT）系数和前一个残差块的最终值）来解决在不增加过多状态存储的情况下保留残差反馈的挑战。在具有DLinear和PatchTST模型的多元序列上的评估表明，与未校正的基础预测相比，EPOC显著降低了均方误差（MSE）和平均绝对误差（MAE），同时使用的辅助状态比$\delta$-Adapter和COSA等其他方法少得多。 AI

影响 这项研究通过压缩残差状态，引入了一种提高时间序列预测准确性和效率的新技术，可能使需要精确未来预测的应用受益。

排序理由 这是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 →

• COSA
• $\\delta$-Adapter
• discrete cosine transform
• DLinear
• ELF
• MAE
• OMPB
• PatchTST

• 论文
• 其他

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