面向深度概率时间序列预测的更优批次方法

深度概率时间序列预测因其提供非线性逼近及用于决策的宝贵不确定性量化能力而受到关注。然而，现有模型常通过假设时间无关误差过程并忽略序列相关性来过度简化问题。为克服该局限，我们提出一种将误差自相关纳入以增强概率预测精度的创新训练方法。我们的方法构建一个由 $D$ 个连续时间序列片段组成的小批次用于模型训练。它显式地学习每个小批次上随时间变化的协方差矩阵，编码相邻时间步间的误差相关性。所学协方差矩阵可用于提升预测精度并增强不确定性量化。我们在两种不同神经预测模型与多个公开数据集上评估了我们的方法。实验结果证实了所提方法在一系列数据集上改善两模型性能的有效性，带来了显著的预测精度提升。