ETTh2
PulseAugur coverage of ETTh2 — every cluster mentioning ETTh2 across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
StatPrompt-LLM 通过统计洞察力改进时间序列预测
研究人员开发了 StatPrompt-LLM,这是一种增强基础风格时间序列预测模型的新方法。该方法通过整合数据集级别的统计信息并添加一个互补的线性预测路径来改进现有的 Time-LLM。在电力和天气数据集上的评估表明,与 Time-LLM 相比,StatPrompt-LLM 显著降低了预测误差,尤其是在使用有限的历史数据时。
-
Naga:受吠陀数学启发的模型增强时间序列预测
研究人员推出了一种新颖的深度状态空间模型(SSM),名为 Naga,该模型利用吠陀数学的概念进行时间序列预测。该方法处理序列的双向性,并通过 Hadamard 交互进行组合,增强了模型捕获长期时间依赖关系的能力。Naga 在多个基准测试中表现出色,优于 28 种现有最先进的模型,并显示出比其他深度 SSM 方法更高的效率。
-
新的QFCQT框架增强了波动性时间序列预测能力
研究人员推出了一种新颖的QFCQT框架,专为预测波动性时间序列数据而设计。该方法结合了Quantformer风格的编码器、Lee振荡器激活模块和光滑混沌门控融合机制。该系统利用八个参数化Lee振荡器的叠加来捕捉多样化的非线性响应模式,旨在提高对数据中突变和结构性转变的敏感性。在ETTh1、ETTh2和A股指数等基准数据集上的实验表明,QFCQT的性能优于Informer和LogTrans等成熟模型。
-
量子-经典混合模型在NISQ硬件上处理时间序列预测
研究人员开发了新的量子-经典混合框架,用于多变量时间序列预测,旨在运行在近期含噪声的中等规模量子(NISQ)硬件上。这些框架,包括量子水库预测器(QRC-F)和变分量子预测器(VQF-F),将时间序列数据转换为量子态,并利用纠缠来捕捉变量间的依赖关系。实验表明,与经典方法相比,这些模型在训练稳定性、参数效率和对量子噪声的鲁棒性方面可能有所提高,并可能应用于各种预测任务。
-
新的光学系统HAMON实现了14%的预测精度提升
研究人员开发了HAMON,一种用于长视界时间序列预测的新型无源光学系统。该系统将历史数据编码到光学孔径上,并使用可训练的相位掩模通过自由空间衍射直接在输出场中塑造预测,从而在推理过程中无需数字序列混合层。HAMON在ETTm2和ETTh2等基准测试中表现出卓越的性能,在MSE方面优于强大的数字基线高达14%,同时在天气数据上取得了有竞争力的结果,在交通和电力数据集上表现不一。