SiamTST：一种用于增强型多元时间序列预测并应用于电信网络的新型表示学习框架
SiamTST: A Novel Representation Learning Framework for Enhanced Multivariate Time Series Forecasting applied to Telco Networks
AI总结：
本文提出 SiamTST 表示学习框架，融合孪生网络、注意力、通道独立分块与归一化，用于电信网络多元时间序列预测，并在真实工业数据集上显著优于现有方法。
摘要：
我们提出了 SiamTST，这是一种用于多元时间序列的新型表示学习框架。SiamTST 将孪生网络与注意力、通道独立分块和归一化技术相结合，以实现卓越性能。在真实工业电信数据集上评估时，SiamTST 证明其预测准确率相较现有方法有显著提升。值得注意的是，一个简单的线性网络也表现出具有竞争力的性能，取得了仅次于 SiamTST 的第二好结果。代码可在 https://github.com/simenkristoff/SiamTST 获取。
英文摘要：
We introduce SiamTST, a novel representation learning framework for multivariate time series. SiamTST integrates a Siamese network with attention, channel-independent patching, and normalization techniques to achieve superior performance. Evaluated on a real-world industrial telecommunication dataset, SiamTST demonstrates significant improvements in forecasting accuracy over existing methods. Notably, a simple linear network also shows competitive performance, achieving the second-best results, just behind SiamTST. The code is available at https://github.com/simenkristoff/SiamTST.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
