基于距离相关性的循环神经网络时间序列预测有效性刻画方法
机器学习
2024-04-29 v2
摘要
时间序列预测受到了大量关注，其中循环神经网络（RNNs）因处理序列数据的能力而被广泛使用的模型之一。然而，以往关于 RNN 时间序列预测的研究显示出不一致的结果，并对各数据集间性能差异提供的解释甚少。在本文中，我们提供一种通过通用的距离相关性度量将时间序列特征与 RNN 组件联系起来的方法。该度量使我们能够检查通过 RNN 激活层的信息流，从而能够解释和理解其性能。我们通过实证表明，RNN 激活层能很好地学习时间序列的滞后结构。然而，它们在连续几层中逐渐丢失该信息，从而恶化了具有大滞后结构序列的预测质量。我们还表明，激活层无法充分建模移动平均与异方差时间序列过程。最后，我们生成热图以对不同网络超参数选择下的激活层进行视觉比较，以识别哪些超参数影响预测性能。因此，我们的发现可帮助从业者在无需实际训练与评估网络的情况下，评估 RNNs 对给定时间序列数据的有效性。
引用
@article{arxiv.2307.15830,
title = {A Distance Correlation-Based Approach to Characterize the Effectiveness of Recurrent Neural Networks for Time Series Forecasting},
author = {Christopher Salazar and Ashis G. Banerjee},
journal= {arXiv preprint arXiv:2307.15830},
year = {2024}
}