CLeaRForecast：用于时间序列预测的高纯度表示对比学习
机器学习
2023-12-12 v1 应用统计
摘要
时间序列预测（TSF）在现代社会中具有重要意义，跨越众多领域。先前基于表示学习的 TSF 算法通常采用具有分离趋势-周期性表示的对比学习范式。然而，这些方法忽略了时间序列数据中固有的高影响噪声，导致表示不准确并严重降低预测性能。为了解决这个问题，我们提出了 CLeaRForecast，这是一种新颖的对比学习框架，通过提出的样本、特征和架构净化方法来学习高纯度时间序列表示。更具体地说，为了避免原始样本（序列）的转换导致更多噪声的引入，分别对趋势和周期部分应用转换，以提供噪声明显更少的更好的正样本。此外，我们引入了通道独立的训练方式，以减轻多元序列中源自无关变量的噪声。通过采用简化的深度学习主干和全面的全局对比损失函数，我们防止了由于周期性和趋势的冗余或不均匀学习而引入的噪声。实验结果表明 CLeaRForecast 在各种下游 TSF 任务中的卓越性能。
引用
@article{arxiv.2312.05758,
title = {CLeaRForecast: Contrastive Learning of High-Purity Representations for Time Series Forecasting},
author = {Jiaxin Gao and Yuxiao Hu and Qinglong Cao and Siqi Dai and Yuntian Chen},
journal= {arXiv preprint arXiv:2312.05758},
year = {2023}
}