CGDT-CESN：面向多变量时间序列预测的相关性引导与动力学训练聚类回声状态网络
CGDT-CESN: Correlation-Guided and Dynamics-Trained Clustered Echo State Network for Multivariate Time-Series Prediction
精选理由
提出结合变量专属动态与相关性耦合的储备池网络，提升多变量时间序列预测准确性。
AI 摘要
arXiv:2610.22430v1 公告类型：新 摘要：准确预测多变量时间序列需要模型同时捕捉变量特定的动力学特征和变量间的相互作用。本文提出了一种相关性引导与动力学训练聚类回声状态网络（CGDT-CESN），其采用模块化储备池架构，每个聚类分别专门负责多变量时间序列中的一个变量。本文提出了一种创新的储备池设计，通过变量之间实证观测到的相关性启用聚类间连接，从而提供一种数据驱动的耦合机制。除进行传统的读出层训练外，还对由相关性确定的聚类间连接权重进行训练，使储备池能够在不牺牲计算效率的情况下捕捉随时间变化的变量间依赖关系，并进一步提升预测准确性。在两个本质不同的数据集——Twitter信息级联演化和太阳风预测——上的评估结果表明，CGDT-CESN的预测性能优于传统ESN。此外，即使数据量较少，这种性能提升在多个预测时域上仍能保持。通过将聚类特定的专门化与学习得到的变量间耦合相结合，CGDT-CESN为多变量时间序列预测提供了一条有原则且数据驱动的途径。