DynaConF：非平稳时间序列的动态预测

深度学习已在多种时间序列预测任务中展现出令人印象深刻的成果，其本质在于建模给定过去的未来的条件分布。然而，当该条件分布非平稳时，对这些模型的一致学习与准确预测提出了挑战。本工作中，我们提出一种新方法，通过明确解耦平稳条件分布建模与非平稳动态建模来随时间建模非平稳条件分布。我们的方法基于一个可适应条件分布变化的贝叶斯动态模型，以及一个利用因子化输出空间处理多元时间序列的深度条件分布模型。我们在合成与真实世界数据集上的实验结果表明，相较于最先进的深度学习方案，我们的模型能更好地适应非平稳时间序列。