针对时间序列预测中的预测延迟：基于连续 GRU 及导数正则化的方法
机器学习
2024-07-03 v1
摘要
时间序列预测是许多不同应用领域（包括经济分析、气象学等）的重要领域。大多数时间序列预测模型都是使用均方误差 (MSE) 进行训练的。然而，基于 MSE 的训练会导致一种被称为预测延迟的局限性。预测延迟意味着真实值先于预测值出现，这在诸如金融和天气预报等领域可能引发严重问题——事实上，虽然预测值紧随真实观测值之后，其 MSE 可能较低，但实际上并不具备实际意义。本文提出了一种关于传统时间序列预测任务的新视角，并提出了一种缓解预测延迟的新方法。我们引入了基于神经普通微分方程 (NODE) 的连续时间门控循环单元 (GRU)，可对显式时间导数进行监督。我们以连续时间方式推广了 GRU 架构，并通过时间导数正则化来最小化预测延迟。我们的方法在 MSE、动态时间错位 (Dynamic Time Warping, DTW) 和时间失真指数 (Time Distortion Index, TDI) 等指标上均表现优异。此外，我们在多种数据集上展示了该方法具有很低的预测延迟。
引用
@article{arxiv.2407.01622,
title = {Addressing Prediction Delays in Time Series Forecasting: A Continuous GRU Approach with Derivative Regularization},
author = {Sheo Yon Jhin and Seojin Kim and Noseong Park},
journal= {arXiv preprint arXiv:2407.01622},
year = {2024}
}
备注
KDD 2024 accepted paper