新模型CGDT-CESN让每个变量独立聚类还能学跨变量关联，预测精度碾压传统ESN！
CGDT-CESN: Correlation-Guided and Dynamics-Trained Clustered Echo State Network for Multivariate Time-Series Prediction
📖 AI 总结
该论文提出一种相关性引导与动力学训练的聚类回声状态网络（CGDT-CESN），用于多变量时间序列预测。其核心是模块化储备池架构：每个聚类专门负责一个变量的动态建模，聚类间连接权重由变量间经验相关性确定，并纳入训练过程，使模型能够捕捉时变的跨变量依赖，同时保持计算效率。研究在Twitter信息级联演化和太阳风预测两个差异显著的数据集上评估，结果显示CGDT-CESN的预测性能优于传统ESN，且这一优势在多个预测步长下均成立，在数据量较少时也能保持。该工作将聚类特异性建模与可学习的变量间耦合相结合，为多变量时间序列预测提供了一条数据驱动的系统性路径。
🔑 关键词速览
| Echo State Network (ESN) | 一种储备池计算模型，其中输入连接到随机生成且固定的储备池，仅训练输出权重。 |
| Clustered Echo State Network (CESN) | 一种模块化储备池架构，其中储备池被划分为多个聚类，每个聚类专门处理多变量时间序列中的一个变量。 |
| Correlation-Guided | 利用变量间的经验相关性来指导聚类间连接权重的初始化或训练。 |
| Dynamics-Trained | 指不仅训练读出层，还训练储备池内部的连接权重（如聚类间连接），以捕捉动态依赖关系。 |
| Multivariate Time-Series Prediction | 预测多个相互关联的时间序列变量的未来值。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅