您好,感谢你们的工作。
在论文中创新地以global time stamps来丰富时间特征,这针对长时间序列预测非常有效,是一项杰出的工作。然而在我们团队的实验中,采用了较高采样频率5kHz,多段采集信号,每组实际时间仅3秒,这显然也不能使用短时间序列预测模型预测。对informer模型来说,我们的数据并不具备global time stamps的丰富特征,是否可以在dataembedding类中直接去掉TemporalEmbedding,只采用TokenEmbedding和PositionalEmbedding?
您好,感谢你们的工作。 在论文中创新地以global time stamps来丰富时间特征,这针对长时间序列预测非常有效,是一项杰出的工作。然而在我们团队的实验中,采用了较高采样频率5kHz,多段采集信号,每组实际时间仅3秒,这显然也不能使用短时间序列预测模型预测。对informer模型来说,我们的数据并不具备global time stamps的丰富特征,是否可以在dataembedding类中直接去掉TemporalEmbedding,只采用TokenEmbedding和PositionalEmbedding?
去掉TemporalEmbedding无疑会对模型预测有影响,我们只是想尝试是否可以用您的成果来预测。
期待您的回复,谢谢!