时间频率注意力通过辅助任务聚焦时间序列外部回归

科学领域:

• 机器学习 机器学习
• 时间序列分析时间序列分析
• 信号处理 信号处理

背景情况:

• 时间序列外部回归 (TSER) 需要从原始时间序列中提取代表性信息.
• 关键的挑战包括量化信息贡献和将回归模型集中在关键数据上.
• 现有的方法可能无法最佳地利用时间和频率域信息.

研究的目的:

• 为TSER提出一个多任务学习框架,时间频率辅助任务 (TFAT).
• 通过整合时间和频率域分析来解决TSER中的量化和焦点问题.
• 在TSER任务中提高回归模型的性能.

主要方法:

• 深波波形分解网络用于将时间序列分解为多尺度子序列.
• 一个具有多头自我注意力的变压器编码器量化了时间频率信息的贡献.
• 自主监督的辅助任务重建关键的时间频率特征,以集中模型的注意力.

主要成果:

• 根据TFAT框架,在12个不同的数据集中,TSER的有效性得到了证明.
• 废弃性研究证实了TFAT方法的各个组成部分的贡献.
• 提出的方法成功量化并利用时间频率信息进行回归.

结论:

• 欧盟贸易法框架为时间序列外部回归提供了一个强大的解决方案.
• 通过多任务学习整合时间和频率域分析可以提高预测性能.
• 该方法提供了一种新的方法,可以将注意力集中在TSER的关键特征上.