DMIDAS：用于长多步时间序列预测的深度混合数据采样回归
机器学习
2021-06-11 v1 机器学习
摘要
神经预测在大规模系统的准确性方面已显示出显著提升，然而预测极长预测步长仍是一项具有挑战性的任务。两个常见问题是预测的不稳定性及其计算复杂度；我们通过将平滑正则化与混合数据采样技术引入一个表现良好的基于多层感知机的架构（NBEATS）来解决它们。我们在具有长预测步长（约1000个时间戳）的高频医疗与电价数据上验证了我们所提出的方法 DMIDAS，相较于 SOTA 模型我们将预测准确率提升了 5%，并将 NBEATS 的参数数量减少了近 70%。
引用
@article{arxiv.2106.05860,
title = {DMIDAS: Deep Mixed Data Sampling Regression for Long Multi-Horizon Time Series Forecasting},
author = {Cristian Challu and Kin G. Olivares and Gus Welter and Artur Dubrawski},
journal= {arXiv preprint arXiv:2106.05860},
year = {2021}
}