Multi-Scale Dilated Convolution Network for Long-Term Time Series Forecasting

准确预测长期时间序列具有重要的决策和规划应用，但是捕捉时间序列数据中的长期依赖仍然具有挑战性。为了更好地提取长期依赖，我们提出了多尺度扩张卷积网络（MSDCN），该方法利用浅层扩张卷积架构来捕捉长时间序列的周期和趋势特征。我们设计了不同的卷积块，具有指数增长的扩张和不同的卷积核大小，以在不同的尺度上对时间序列数据进行采样。此外，我们还利用传统的自回归模型来捕捉数据内的线性关系。为了验证所提出方法的有效性，我们在八个具有挑战性的长期时间序列预测基准数据集上进行了实验。实验结果表明，我们的方法优于先前的最先进方法，并与几种强基准方法相比显示出显着的推理速度改进。

本文旨在解决长期时间序列预测中的长期依赖性问题，提出了一种新的多尺度扩张卷积网络（MSDCN）方法。

该方法利用浅层扩张卷积架构来捕获长时间序列的周期和趋势特征，设计不同的卷积块，通过指数增长的扩张和变化的内核大小在不同的尺度上对时间序列数据进行采样。此外，还使用传统的自回归模型来捕获数据内的线性关系。

实验使用了八个具有挑战性的长期时间序列预测基准数据集，结果表明该方法优于先前的最先进方法，并且与几种强基线方法相比显示出显着的推理速度改进。

在这个领域中，最近的相关研究包括：《Multi-Horizon Time Series Forecasting with Temporal Attention Learning》、《DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks》、《Time Series Forecasting with Deep Learning: A Survey》等。