LETS 预测：学习时间序列预测的嵌入学

真实世界的时序数据通常受复杂非线性动力学控制。理解这些潜在的动力学对于精确的未来预测至关重要。虽然深度学习在时间序列预测方面取得了重大成功，但许多现有方法并没有明确地对动力学进行建模。为了弥合这一差距，我们引入了 DeepEDM，这是一个将非线性动力系统建模与深度神经网络相结合的框架。受到经验动态建模 (EDM) 的启发，并以 Takens 定理为基础，DeepEDM 提出了一种新颖的深度模型，该模型从时间延迟嵌入中学习潜在空间，并采用核回归来近似潜在的动力学，同时利用 softmax 注意力的有效实现，并允许对未来时间步进行准确的预测。为了评估我们的方法，我们对非线性动力系统的合成数据以及跨领域的真实世界时序数据进行了全面的实验。我们的结果表明，DeepEDM 对输入噪声具有鲁棒性，并且在预测准确性方面优于最先进的方法。我们的代码可在以下网址获得：https://abrarmajeedi.github.io/deep_edm。