发论文创新点来了！KAN+时间序列预测，更高性能表现、更低资源占用

还记得一夜爆火的KAN吗？

KAN的核心特点是把激活函数放在权重上并参数化为样条曲线，让它具有灵活的函数拟合能力和一定的可解释性，以便更好地处理和捕捉时间序列中的复杂关系与非线性模式，帮助我们更全面地分析和预测时间序列数据。

因此 KAN非常适合作为时间序列预测 的创新点 ，而且它是最新提出的模型，目前用的人很少，不过KAN单独使用会存在训练速度慢等问题，所以现在的主流思路是结合其他模型（比如LSTM、注意力机制等）加上个优化方法做创新。

为帮助同学们快速了解这个创新方向，我根据以上思路整理了 8个 最新发表的KAN+时间序列预测论文 给各位做案例参考，有开源代码的都附上了，建议想发论文的同学仔细研读。

扫码 添加小享，回复“ KAN时序 ”

免费获取 全部 论 文+开源代码

Kolmogorov-Arnold Networks (KANs) for Time Series Analysis

方法： 本论文介绍了Kolmogorov-Arnold网络（KANs）在时间序列预测中的新应用，利用其自适应激活函数来增强预测建模。受Kolmogorov-Arnold表示定理的启发，KANs用样条参数化的单变量函数代替传统的线性权重，使其能够动态学习激活模式。

创新点：

• 引入了Kolmogorov-Arnold Networks (KANs)这种新的神经网络架构，以替代传统的多层感知器。KANs利用了Kolmogorov-Arnold表示定理的理论基础，通过在网络的边缘上使用样条函数代替线性权重来进行建模。
• 通过将KANs应用于实际的卫星交通数据，该研究评估了KANs在时间序列预测中的实用性，并分析了可调参数数量对预测性能的影响。结果表明，KANs在低计算资源下能够实现更好的预测性能，并且比传统的多层感知器在错误度量上表现更好。

TKAN: Temporal Kolmogorov-Arnold Networks

方法： 论文提出了一种新的神经网络架构，称为TKANs，它结合了Kolmogorov-Arnold Networks和长短期记忆网络（LSTM）的特点，专门用于时间序列预测。该模型能够改善多个步骤的性能和稳定性，并在长期预测方面表现出色，对时间序列分析具有重要意义。

创新点：

• 门控机制：这些机制有助于管理信息流。模型决定随着时间的推移应保留或遗忘哪些信息。
• 时间Kolmogorov-Arnold网络（TKANs）：TKAN层将RKAN架构与略微修改的LSTM单元相结合。这种组合为涉及复杂的顺序数据的任务提供了更强大的建模能力。
• 外部记忆模块：这种“记忆”可以存储与时间上下文相关的信息，并在处理过程中由网络访问。这样，网络就可以明确地学习和利用过去的信息。

扫码 添加小享，回复“ KAN时序 ”

免费获取 全部 论 文+开源代码

SigKAN: Signature-Weighted Kolmogorov-Arnold Networks for Time Series

方法： 论文介绍了一种新的改进方法，即将路径签名与Kolmogorov-Arnold网络相结合，以提高传统KANs在处理近似函数任务中的能力，通过使用包含丰富几何信息的路径签名，这一新方法不仅优于其他常规多变量时间序列数据的方法，而且为建模复杂时间关系提供了一个简单而强大的框架，并在金融建模或时间序列分析等领域展示了潜力。

创新点：

• 引入可学习路径签名和Kolmogorov-Arnold网络（KANs）的组合，以增强多元函数逼近的能力。
• 使用可学习路径签名层和KAN层，将路径特征与传统线性变换相结合，提高KANs的逼近能力。