时间序列预测真的需要深度学习模型吗？
机器学习
2021-10-22 v2 机器学习
摘要
时间序列预测是机器学习中的一项关键任务，因其具有广泛的应用，包括但不限于预测电力消耗、交通和空气质量。传统预测模型依赖于滚动平均、向量自回归和自回归积分滑动平均。另一方面，深度学习和矩阵分解模型近来被提出以更具竞争力的性能解决同一问题。然而，此类模型的一个主要缺陷是相较于传统技术往往过于复杂。在本文中，我们针对一个著名的机器学习基线——梯度提升回归树（GBRT）模型，报告了 prominent 深度学习模型的结果。类似于深度神经网络（DNN）模型，我们将时间序列预测任务转化为基于窗口的回归问题。此外，我们对 GBRT 模型的输入和输出结构进行了特征工程，使得对于每个训练窗口，目标值与外部特征拼接，然后展平以形成多输出 GBRT 模型的一个输入实例。我们在九个数据集上对过去几年顶级会议上提出的八种最先进深度学习模型进行了比较研究。结果表明，基于窗口的输入变换将简单 GBRT 模型的性能提升至优于本文评估的所有最先进 DNN 模型的水平。
引用
@article{arxiv.2101.02118,
title = {Do We Really Need Deep Learning Models for Time Series Forecasting?},
author = {Shereen Elsayed and Daniela Thyssens and Ahmed Rashed and Hadi Samer Jomaa and Lars Schmidt-Thieme},
journal= {arXiv preprint arXiv:2101.02118},
year = {2021}
}
备注
14 pages with appendix, 1 figure