CometNet: Contextual Motif-guided Long-term Time Series Forecasting
Weixu Wang, Xiaobo Zhou, Xin Qiao, Lei Wang and Tie Qiu
长期时间序列预测在许多关键领域至关重要,但其准确性仍然受到现有模型中可接受现场瓶颈的根本限制。 基于主流的Transformer和多层感知器(MLP)方法主要依赖于有限的回顾窗口,限制了它们模拟长期依赖的能力并损害了预测性能。 天真地扩展回顾窗口被证明是无效的,因为它不仅引入了令人望而却步的计算复杂性,而且还淹没了历史噪音中重要的长期依赖性。 为了应对这些挑战,我们提出了CometNet,这是一个新颖的上下文动机引导的长期时间序列预测框架。 CometNet首先引入了一个上下文动机提取模块,该模块从复杂的历史序列中识别循环的,占主导地位的上下文主题,提供了远远超过有限回顾窗口的广泛时间依赖; 随后,提出了Motif引导预测模块,该模块将提取的主要主题集成到预测中。 通过动态将回顾窗口映射到其相关主题,CometNet有效地利用他们的上下文信息来加强长期预测能力。 8个真实世界数据集的广泛的实验结果表明,CometNet明显优于当前最先进的(SOTA)方法,特别是在扩展的预测视野方面。
Long-term Time Series Forecasting is crucial across numerous critical domains, yet its accuracy remains fundamentally constrained by the receptive field bottleneck in existing models. Mainstream Transformer- and Multi-layer Perceptron (MLP)-based methods mainly rely on finite look-back windows, limiting their ability to model long-term dependencies and hurting forecasting performance. Naively extending the look-back window proves ineffective, as it not only introduces prohibitive computational c...