深度学习时间序列预测的全面综述：架构多样性与开放挑战
机器学习
2025-05-02 v3 人工智能
摘要
时间序列预测是一项关键任务，为决策提供关键信息。在传统统计和机器学习方法之后，各种基础深度学习架构（如多层感知器、卷积神经网络、循环神经网络和图神经网络）已被开发出来。然而，每种深度学习架构的归纳偏差所导致的结构局限性制约了其性能。在处理长期依赖方面表现出色的Transformer模型已成为时间序列预测的重要架构组件。然而，近期研究表明简单线性层等替代方案可以超越Transformer。这些发现为使用多样化架构开辟了新可能，涵盖基础深度学习模型、新兴架构和混合方法。在这一背景下，时间序列预测的架构建模已进入复兴时期。本综述不仅为时间序列预测提供了历史背景，还提供了对架构多样化趋势的全面及时分析。通过比较和重新审视深度学习模型，我们发现了新的视角，并呈现了近期趋势，包括混合模型、扩散模型、Mamba和基础模型。通过聚焦时间序列数据的内在特征，我们还探讨了时间序列预测中获得关注的开放挑战，如通道依赖性、分布偏移、因果性和特征提取。这些贡献通过提供对时间序列预测（TSF）多样化研究领域的系统理解，降低了新手的入门门槛，同时通过深入探索TSF挑战，为资深研究人员提供更广阔的视角和新的机会。（因arXiv的1920字符限制而缩短。完整版本见论文。）
引用
@article{arxiv.2411.05793,
title = {A Comprehensive Survey of Deep Learning for Time Series Forecasting: Architectural Diversity and Open Challenges},
author = {Jongseon Kim and Hyungjoon Kim and HyunGi Kim and Dongjun Lee and Sungroh Yoon},
journal= {arXiv preprint arXiv:2411.05793},
year = {2025}
}
备注
This is the accepted manuscript of the article published in Artificial Intelligence Review. The final authenticated version is available at: https://doi.org/10.1007/s10462-025-11223-9