CANet：用于增强非平稳条件下长期时间序列预测的ChronoAdaptive网络
机器学习
2025-12-29 v2
摘要
长期时间序列预测在各种实际应用中发挥关键作用。尽管近期进展不断且各种体系结构取得成功，但由于现实数据呈现出非平稳特性，预测往往具有挑战性，这些数据经常表现出分布迁移和统计特性（如均值和方差）随时间的变化。先前研究表明，这种固有变异性使预测变得复杂，限制了许多模型的性能，导致过度平稳化 (Liu, Wu, Wang and Long, 2022)。为解决这一挑战，我们引入一种新型体系结构，受风格迁移技术启发，称为ChronoAdaptive Network (CANet)。CANet 的核心是非平稳自适应归一化模块，无缝集成 Style Blending Gate 和自适应实例归一化 (AdaIN) (Huang and Belongie, 2017)。Style Blending Gate 通过混合内部和外部统计信息保留并重新整合非平稳特性（如均值和标准差），防止过度平稳化，同时保持关键的时序依赖性。搭载 AdaIN，可动态适应统计变化，从而在非平稳条件下提高预测精度。CANet 还采用多分辨率分块处理短期波动和长期趋势，结合基于傅里叶分析的自适应阈值降低噪声。Stacked Kronecker Product Layer 进一步优化模型效率，同时保持高性能。大量在现实数据集上的实验验证了 CANet 优于最先进方法的优势，在 MSE 上实现 42% 的降低，在 MAE 上实现 22% 的降低。源代码已公开于 https://github.com/mertsonmezer/CANet。
引用
@article{arxiv.2504.17913,
title = {CANet: ChronoAdaptive Network for Enhanced Long-Term Time Series Forecasting under Non-Stationarity},
author = {Mert Sonmezer and Seyda Ertekin},
journal= {arXiv preprint arXiv:2504.17913},
year = {2025}
}