HyperAIHyperAI

Command Palette

Search for a command to run...

ATFNet: شبكة مُجمَّعة زمنية-تكرارية تكيفية للتنبؤ بالسلسلة الزمنية على المدى الطويل

Hengyu Ye Jiadong Chen Shijin Gong Fuxin Jiang Tieying Zhang Jianjun Chen Xiaofeng Gao

الملخص

يُعد التحليل المُعقد لبيانات السلاسل الزمنية مُستفيدًا بشكل كبير من المزايا الفريدة التي تقدمها التمثيلات في المجال الزمني والمجال الترددي. في حين أن المجال الزمني يتفوق في تمثيل الاعتماديات المحلية، خاصة في السلاسل غير الدورية، فإن المجال الترددي يُبرز قوته في التقاط الاعتماديات العالمية، مما يجعله مثاليًا للسلاسل التي تُظهر أنماطًا دورية واضحة. وللاستفادة من قوتَيْ هذا النهج معًا، نقترح إطارًا مبتكرًا يُسمى ATFNet، يدمج ما بين وحدة في المجال الزمني ووحدة في المجال الترددي، بهدف التقاط الاعتماديات المحلية والعالمية في آنٍ واحد ضمن بيانات السلاسل الزمنية. وبشكل خاص، نقدّم آلية جديدة تُسمى "وزن طاقة التوافقيات المهيمنة"، والتي تُعدّ آلية ديناميكية لتعديل الأوزان بين الوحدتين بناءً على درجة الدورية في السلسلة الزمنية المدخلة. وفي وحدة المجال الترددي، نُحسّن التحويل الترددي المنفصل (DFT) التقليدي عبر تطوير نسخة موسعة منه تُسمى "DFT الموسّع"، المصممة لمعالجة تحدي تزامن الترددات المنفصلة. بالإضافة إلى ذلك، تقدّم آلية "الانتباه الطيفي العقدي" التي نقترحها نهجًا جديدًا لاستكشاف العلاقات المعقدة بين مختلف التوافيق الترددية. وقد أظهرت تجارب واسعة النطاق على عدة مجموعات بيانات واقعية أن إطار ATFNet يتفوّق على أحدث الأساليب الحالية في التنبؤ بسلاسل زمنية طويلة المدى.


بناء الذكاء الاصطناعي بالذكاء الاصطناعي

من الفكرة إلى الإطلاق — سرّع تطوير الذكاء الاصطناعي الخاص بك مع المساعدة البرمجية المجانية بالذكاء الاصطناعي، وبيئة جاهزة للاستخدام، وأفضل أسعار لوحدات معالجة الرسومات.

البرمجة التعاونية باستخدام الذكاء الاصطناعي
وحدات GPU جاهزة للعمل
أفضل الأسعار

HyperAI Newsletters

اشترك في آخر تحديثاتنا
سنرسل لك أحدث التحديثات الأسبوعية إلى بريدك الإلكتروني في الساعة التاسعة من صباح كل يوم اثنين
مدعوم بواسطة MailChimp