面向基于分解的时间序列预测方法的混合损失框架：平衡全局与分量误差
机器学习
2024-11-19 v1 机器学习
摘要
基于过去数据预测未来值的准确时间序列预测对各行各业至关重要。当前许多时间序列方法将时间序列分解为多个子序列，应用不同的模型架构，并以端到端的整体损失进行训练以进行预测。然而，这引发了一个问题：这种整体损失是否优先考虑了分解中关键子序列的重要性以获得更好的性能？为研究此问题，我们探究了整体损失对现有基于序列分解的时间序列方法的影响。我们的发现表明，整体损失可能在模型学习中引入偏差，阻碍了对更重要子序列优先性的学习，并限制了预测性能。为解决此问题，我们提出了一种结合全局损失和分量损失的混合损失框架。该框架在原始整体损失之外，为每个子序列引入了分量损失。它采用双重极小-极大算法来动态调整整体损失与分量损失之间以及各分量损失内部的权重。这使得模型能够通过关注更关键的子序列，同时仍保持较低的整体损失，从而在现有时间序列方法上实现更好的性能。我们将此损失框架集成到多种时间序列方法中，并在多个数据集上评估性能。结果显示，在不修改模型架构的情况下，与现有方法相比平均提升了 0.5-2%。
引用
@article{arxiv.2411.11340,
title = {A Hybrid Loss Framework for Decomposition-based Time Series Forecasting Methods: Balancing Global and Component Errors},
author = {Ronghui Han and Duanyu Feng and Hongyu Du and Hao Wang},
journal= {arXiv preprint arXiv:2411.11340},
year = {2024}
}