时间序列分析中长期预测问题综述
机器学习
2025-06-17 v1 新兴技术
性能
机器学习
摘要
长期预测 (LHF) 问题在时间序列文献中已有约 35 年的历史。本综述涵盖了这段时间 LHF 的诸多方面，并展示了深度学习如何在趋势、季节性、傅里叶和小波变换、误指定偏差减少和带通滤波器等方面进行变体贡献，同时通过卷积、残差连接、稀疏性减少、步进卷积、注意力掩码、SSMs、归一化方法、低秩近似和门控机制等方式做出贡献。我们强调了时间序列分解技术、输入数据预处理和数据集分窗方案，这些方案可提高性能。多层感知器模型、循环神经网络混合模型、自注意力模型改进和/或解决 LHF 问题的性能，均以特征空间构建为重点。对 ETTm2 数据集进行了在多变量和单变量高有用负载 (HUFL) 预测情境下的消失研究，评估了该数据集最近 4 个月的测试集系列。HUFbL 数据集测试集系列的每个时间步的 MSE 平均值热图显示，除 xLSTM 和 Triformer 模型外，错误比例随预测长度稳定增加。这激励将 LHF 视为一个误差传播问题。已训练的模型可在此处获取：https://bit.ly/LHFModelZoo
引用
@article{arxiv.2506.12809,
title = {A Review of the Long Horizon Forecasting Problem in Time Series Analysis},
author = {Hans Krupakar and Kandappan V A},
journal= {arXiv preprint arXiv:2506.12809},
year = {2025}
}
备注
Submitted to International Journal of Forecasting