SCINet：基于样本卷积和交互的时间序列建模与预测

时间序列的一个独特属性是在将其降采样为两个子序列后，时间关系仍然大部分得以保留。利用这一特性，我们提出了一种新的神经网络架构，该架构通过样本卷积和交互进行时间建模和预测，命名为SCINet（Sample Convolution and Interaction Network）。具体而言，SCINet是一种递归的降采样-卷积-交互架构。在每一层中，我们使用多个卷积滤波器从降采样的子序列或特征中提取不同的但有价值的时间特征。通过结合从多种分辨率聚合的丰富特征，SCINet能够有效地对具有复杂时间动态的时间序列进行建模。实验结果表明，SCINet在各种实际时间序列预测数据集上均显著优于现有的卷积模型和基于Transformer的解决方案。我们的代码和数据可在https://github.com/cure-lab/SCINet 获取。