突破长时间序列预测的情境瓶颈
机器学习
2025-09-05 v2 人工智能
摘要
长期时间序列预测是经济、能源和交通等领域的关键任务，因其对长远预测至关重要。为实现此一目标，模型必须在处理长序列方面既高效又有效。虽然近期进展提升了这些模型的效率，但有效利用更长序列的挑战仍存。这主要源于模型在面对扩展输入时易产生过拟合，导致必须使用较短的输入长度以维持可接受的误差范围。本文探讨了多尺度建模方法，提出Logsparse Decomposable Multiscaling（LDM）框架，用于高效且有效地处理长序列。我们证明，通过在时间序列中解耦不同尺度的模式，可通过降低非平稳性来增强可预测性，通过紧凑的长输入表示提高效率，通过提供清晰的任务分配来简化架构。实验结果表明，LDM不仅在长期预测基准测试中超越所有基线，还显著降低了训练时间和内存消耗。
引用
@article{arxiv.2412.16572,
title = {Breaking the Context Bottleneck on Long Time Series Forecasting},
author = {Chao Ma and Yikai Hou and Xiang Li and Yinggang Sun and Haining Yu and Zhou Fang and Jiaxing Qu},
journal= {arXiv preprint arXiv:2412.16572},
year = {2025}
}
备注
rewrite and authorship changing