这是一篇ICLR2023 top 5%论文
论文链接:https://openreview.net/pdf?id=vSVLM2j9eie
代码:https://github.com/Thinklab-SJTU/Crossformer
1. Multivariate Time Series Forecasting
MTS,多变量时序数据预测。利用MTS的历史值可以预测其未来的趋势,例如心电图(ECG),脑电图(EEG)脑磁图(MEG)的诊断以及系统监测等等都是固有的多变量问题。该任务数据每个实例序列拥有多个维度,是一个d维向量和m个观测值(时间序列)的列表,如下所示数据(借鉴自综述论文:《The great multivariate time series classification bake off: a review and experimental evaluation of recent algorithmic advances》)
2. 动机
MTS的核心额外复杂性在于,区别性特征可能存在于维度之间的相互作用中,而不仅仅存在于单个序列中的自相关性中。标准的Transformer中核心self-attention可能仅仅建模了单个序列的自相关性,忽略了跨维度的依赖关系。
此外,如下图所示,当数据序列很长时,计算复杂性高,但是可以观察到,接近的数据点具有相似的注意权重!
基于此,作者提出一个分层encoder-decoder框架Crossformer.
3. Crossformer
目标:输入一段历史序列,预测未来的一段序列.
3.1 Hierarchical Encoder-Decoder
作者提出一个新的层次Encoder-Decoder的架构,如下所示,由左边encoder(灰色)和右边decoder(浅橘色)组成。其主要包含Dimension-Segment-Wise (DSW) embedding,Two-Stage Attention (TSA)层和Linear Projection。
- Dimension-Segment-Wise (DSW) embedding:为了将输入进行分segment,从而减少计算复杂性。如果最后每个序列要分成个segment,每个序列的通道数,则最后的输入记为:.
- Two-Stage Attention (TSA)层:捕获cross-time和cross-dimension依赖关系。替待原来的self-attention在encoder和decoder中的位置。
- Linear Projection:应用于每一个decoder层的输出,以产生该层的预测。对各层预测结果进行求和,得到最终预测结果.
3.2 Dimension-Segment-Wise embedding (DSW)
输入,表明输入包含个序列,每个序列有个维度。如下所示,如果我们分的每个segment的长度为,则每个序列中可以划分出个segment,每个序列有个维度,则整个输入共包含个segment,故可以记为:。在维度中的第个segment的size记为,然后使用线性投影和位置嵌入将每个段嵌入到一个向量中:
最后,可以获得一个2D的向量数组.
3.3 Two-Stage Attention (TSA)
由上可得输入现在为:,为了方便,记,则输入为。TSA主要由cross-time stage和
cross-dimension stage组成,如下图所示。
- Cross-Time Stage
对于每个维度,包含所有时间序列。因此,对于维度上,cross-time依赖关系可记为:
- Cross-Dimension Stage
对于每个时间点,包含所有维度。因此,对于第时间点
1)如果使用标准Transformer进行,如下图所示,可以很容易得到复杂性为!总共有个时间segment,因此总复杂性为.
4 实验
-
SOTA方法对比
-
消融实验
-
参数分析
-
复杂性分析
-
可视化
-
运行速度对比
5. 结论
- 提出了Crossformer,一种基于transformer的模型,利用跨维度依赖进行多元时间序列(MTS)预测。
- DSW (dimension – segment – wise)嵌入:将输入数据嵌入到二维矢量数组中,以保留时间和维度信息。
- 为了捕获嵌入式阵列的跨时间和跨维度依赖关系,设计两阶段注意(TSA)层。
- 利用DSW嵌入和TSA层,设计了一种分层编码器(HED)来利用不同尺度的信息。
在6个数据集上的实验结果展示了该方法优于之前的先进技术。
以上仅为本人小记,有问题欢迎指出(●ˇ∀ˇ●)
文章出处登录后可见!