DEPTS：面向周期时间序列预测的深度扩展学习
机器学习
2022-03-16 v1 人工智能
机器学习
摘要
周期时间序列（PTS）预测在众多行业中发挥关键作用，支撑早期预警、预先规划、资源调度等关键任务。然而，PTS 信号对其内在周期性的复杂依赖以及多种周期的复杂组合阻碍了 PTS 预测性能。本文引入一种深度扩展学习框架 DEPTS 用于 PTS 预测。DEPTS 从解耦公式出发，将周期状态作为隐变量，促使我们设计两个专用模块应对上述两重挑战。首先，我们在残差学习之上开发扩展模块，对这些复杂依赖进行逐层扩展。其次，我们引入具有参数化周期函数的周期模块，其具备充足容量以捕捉多样化周期。此外，我们的两个定制模块还具有一定可解释能力，例如将预测归因于局部动量或全局周期性，并刻画某些核心周期属性（如振幅与频率）。在合成与真实世界数据上的大量实验证明了 DEPTS 处理 PTS 的有效性。多数情况下，DEPTS 相较最佳基线取得显著改进。具体而言，少数案例误差降低可达 20%。最后，所有代码已公开。
引用
@article{arxiv.2203.07681,
title = {DEPTS: Deep Expansion Learning for Periodic Time Series Forecasting},
author = {Wei Fan and Shun Zheng and Xiaohan Yi and Wei Cao and Yanjie Fu and Jiang Bian and Tie-Yan Liu},
journal= {arXiv preprint arXiv:2203.07681},
year = {2022}
}
备注
ICLR22 Spotlight