A funcionalidade de pesquisa está em construção.
A funcionalidade de pesquisa está em construção.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Open Access
Finformer: Fast Incremental and General Time Series Data Prediction
Abra o Access
Finformer: previsão de dados de série temporal geral e incremental rápida

Savong BOU, Toshiyuki AMAGASA, Hiroyuki KITAGAWA

  • Exibições de texto completo

    297

  • Cite isto
  • Free PDF (6.9MB)

Resumo:

A previsão de dados de séries temporais é útil em muitos campos, como sistema de previsão de preços de ações, sistema de direção autônoma, previsão do tempo, etc. Muitos modelos de previsão existentes tendem a funcionar bem ao prever séries temporais de sequência curta. No entanto, ao trabalhar com séries temporais de sequência longa, o desempenho é significativamente prejudicado. Recentemente, tem havido pesquisas mais intensas nessa direção, e o Informer é atualmente o modelo de previsão mais eficiente. A principal desvantagem do Informer é que ele não permite aprendizagem incremental. Neste artigo, propomos um Fast Informer denominado Finformer, que aborda o gargalo acima, reduzindo o tempo de treinamento/predição do Informer. O Finformer pode calcular com eficiência a incorporação posicional/temporal/de valor e a consulta/chave/valor da autoatenção de forma incremental. Teoricamente, o Finformer pode melhorar a velocidade de treinamento e previsão em relação ao modelo de última geração Informer. Extensos experimentos mostram que o Finformer é cerca de 26% mais rápido que o Informer para previsão de séries temporais de sequência curta e longa. Além disso, o Finformer é cerca de 20% mais rápido que o InTrans para o Conv1d geral, que é um de nossos trabalhos anteriores e é o antecessor do Finformer.

Publicação
IEICE TRANSACTIONS on Information Vol.E107-D No.5 pp.625-637
Data de publicação
2024/05/01
Publicitada
2024/01/09
ISSN online
1745-1361
DOI
10.1587/transinf.2023DAP0003
Tipo de Manuscrito
Special Section PAPER (Special Section on Data Engineering and Information Management)
Categoria

autores

Savong BOU
  University of Tsukuba
Toshiyuki AMAGASA
  University of Tsukuba
Hiroyuki KITAGAWA
  University of Tsukuba

Palavra-chave