TC-GATN: Temporal Causal Graph Attention Networks With Nonlinear Paradigm for Multivariate Time-Series Forecasting in Industrial Processes

TC-GATN 是一种用于工业过程中多变量时间序列预测的模型，它结合了时间因果图注意力网络和非线性范式。

TC-GATN 模型概述

• 模型结构：TC-GATN 模型通过结合图注意力机制和时间序列分析，有效捕捉工业过程中变量间的动态关系和时间依赖性。
• 非线性范式：引入非线性变换增强模型对复杂时间序列数据的拟合能力，提高预测精度。

应用场景

• 工业过程预测：特别适用于需要考虑多个相互依赖变量的工业场景，如生产效率、设备状态等。

技术优势

• 因果关系捕捉：通过图结构明确变量间的因果联系，提高预测的可解释性。
• 时间序列分析：有效处理时间序列数据的时序特性，如趋势、季节性等。

相关研究

• Crossformer：3 提出了一种基于 Transformer 的模型，用于多变量时间序列预测，强调跨维依赖的捕捉。
• 多变量预测方法：4 讨论了多变量时间序列预测与单变量预测的区别，强调多变量预测在特征利用上的优势。

实验数据集

• 北京市空气污染数据集：2 用于时序预测实验，包含温度、气压、风速和空气污染程度等多维数据，适用于多变量时间序列预测模型的训练和测试。