Resumen

La predicción de series temporales multivariadas es una tarea muy importante, que desempeña un papel fundamental en el clima, la economía y otros campos. Normalmente utilizamos una red codificador-decodificador basada en Atención para tratar la predicción de series temporales multivariadas, ya que el mecanismo de atención facilita que el modelo se enfoque en los atributos realmente importantes. Sin embargo, la red codificador-decodificador tiene el problema de que cuanto mayor es la longitud de la secuencia, peor es la precisión de la predicción, lo que significa que la red codificador-decodificador no puede procesar series largas y, por lo tanto, no puede obtener información histórica detallada. En este artículo, proponemos una red neuronal profunda de doble ventana (DWNet) para predecir series temporales. El mecanismo de doble ventana permite que el modelo explore dependencias de multigranularidad de series temporales, como la información local obtenida de una secuencia corta y la información global obtenida de una secuencia larga. Nuestro modelo supera a nueve métodos de

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Predicción de series temporales; Red codificador-decodificador basada en atención; Series temporales multivariadas; Red neuronal profunda de doble ventana; Precisión de predicción; Información histórica
• Keywords:Time series prediction; Attention-based encoder-decoder network; Multivariate time series; Dual-window deep neural network; Prediction accuracy; Historical information