CGDT-CESN：用于多元时间序列预测的相关引导和动态训练的集群回波状态网络

摘要

arXiv:2610.22430v1 Announce Type: new Abstract: Accurate prediction of multivariate time series requires models that simultaneously capture variable-specific dynamics and cross-variable interactions. ...

the prediction time variable and cluster multivariate series CGDT CESN

2026-10-19 1 阅读约1分钟阅读 Hariharan Srinivasan, Masoom Bhargava, Sayan Gupta

arXiv:2610.22430v1 公告类型：新摘要：多元时间序列的准确预测需要同时捕获变量特定动态和跨变量相互作用的模型。在这项工作中，提出了一种相关引导和动力学训练的集群回波状态网络（CGDT-CESN），它包括一个模块化的储层架构，每个集群都明确专门针对多元时间序列中的一个变量。提出了一种创新的油藏设计，其中通过经验观察到的变量之间的相关性来实现簇间连接，提供数据驱动的耦合机制。除了传统的读出训练之外，还训练由相关性通知的簇间连接权重，这反过来又允许水库在不牺牲计算效率的情况下捕获时变的跨变量依赖性，并进一步提高预测精度。在 Twitter 信息级联演化和太阳风预测这两个完全不同的数据集上进行评估时，发现 CGDT-CESN 的预测性能优于传统 ESN。此外，即使在提供少量数据时，性能的改进也会在多个预测范围内得以保留。通过将特定于集群的专业化与学习到的变量间耦合相结合，CGDT-CESN 提供了一条原则性的、数据驱动的多变量时间序列预测途径。

订阅66必读