Time Series Forecasting Model Based on Domain Adaptation and Shared Attention

计算机科学 人工智能 稳健性(进化) 时间序列 机器学习 域适应 深度学习 数据挖掘 学习迁移 领域(数学分析) 卷积神经网络 数据建模 分类器(UML) 数据库 数学分析 生物化学 化学 数学 基因
作者
Yuan Li,Jingwei Li,Chengbao Liu,Jie Tan
出处
期刊:Lecture Notes in Computer Science 卷期号:: 215-225
标识
DOI:10.1007/978-3-031-36822-6_19
摘要

Time series forecasting is an essential problem involving many fields. Recently, with the development of big data technology, deep learning methods have been widely studied and achieved promising performance in time series forecasting tasks. But there is a limited number of time series or observations per time series. In this case, a time series forecasting model, which is based on domain adaptation and shared attention (DA-SA), is proposed in this study. First, we employ Transformer architecture as the basic framework of our model. Then, we specially design a selectively shared attention module to transfer valuable information from the data-rich domain to the data-poor domain by inducing domain-invariant latent features (queries and keys) and retraining domain-specific features (values). Besides, convolutional neural network is introduced to incorporate local context into the self-attention mechanism and captures the short-term dependencies of data. Finally, adversarial training is utilized to enhance the robustness of the model and improve prediction accuracy. The practicality and effectiveness of DA-SA for time series forecasting are verified on real-world datasets.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
77完成签到,获得积分10
1秒前
奋斗刚完成签到,获得积分10
2秒前
2秒前
拼搏荠发布了新的文献求助10
3秒前
4秒前
Yixuedog完成签到,获得积分10
7秒前
科研通AI2S应助研友_8KX15L采纳,获得10
7秒前
9秒前
小芳儿发布了新的文献求助10
9秒前
orixero应助tz采纳,获得10
10秒前
10秒前
10秒前
11秒前
11秒前
Xxxxzzz完成签到,获得积分10
12秒前
飘逸晓曼完成签到 ,获得积分20
13秒前
23我完成签到,获得积分10
13秒前
云瑾应助登登采纳,获得10
13秒前
苗条的紫文完成签到,获得积分20
13秒前
赵怡梦发布了新的文献求助10
14秒前
罗大壮发布了新的文献求助10
14秒前
quxiaofei关注了科研通微信公众号
15秒前
16秒前
17秒前
18秒前
18秒前
美好斓应助林筱辰采纳,获得100
19秒前
CodeCraft应助笨笨歌曲采纳,获得10
20秒前
20秒前
21秒前
亦承梦完成签到,获得积分10
21秒前
22秒前
CL完成签到,获得积分10
22秒前
九点半上课了完成签到 ,获得积分10
23秒前
橘温茶暖发布了新的文献求助30
23秒前
Paridis发布了新的文献求助10
23秒前
23秒前
24秒前
搜集达人应助XC采纳,获得10
27秒前
27秒前
高分求助中
Evolution 10000
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 600
Distribution Dependent Stochastic Differential Equations 500
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
A new species of Velataspis (Hemiptera Coccoidea Diaspididae) from tea in Assam 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3157298
求助须知:如何正确求助?哪些是违规求助? 2808647
关于积分的说明 7878088
捐赠科研通 2467070
什么是DOI,文献DOI怎么找? 1313183
科研通“疑难数据库(出版商)”最低求助积分说明 630369
版权声明 601919