基于参数扫描和基准测试的 Echo State 网络用于时间序列预测
机器学习
2026-04-08 v3
摘要
本文研究了 Echo State 网络（ESN）用于单变量时间序列预测的性能，采用 M4 预测竞赛数据集的子集。我们聚焦于月度和季度时间序列，评估简单自回归 ESN 是否能作为广泛使用的预测方法的有竞争力的替代方案。该研究采用两阶段方法：*参数* 数据集用于进行广泛的超参数扫描，覆盖漏泄率、谱半径、储备规模以及正则化信息准则， resulting in 超过四百万个 ESN 模型拟合；*预测* 数据集随后用于进行样外准确性评估。预测准确性采用平均比例绝对误差（MASE）和对称平均绝对百分比误差（sMAPE）衡量，并与简单基准（如漂移和季节性朴素）以及统计模型（如自回归整移动平均 ARIMA、指数平滑状态空间 ETS、Theta 方法和 TBATS）进行基准测试。超参数分析揭示了较为一致且可解释的模式，月度序列偏好中等持久的储备，季度序列偏好更收缩的动力学。在两种频率上，高漏泄率均被优先考虑，而最优谱半径和储备规模随频率而异。在样外基准测试中，ESN 对月度数据表现与 ARIMA 和 TBATS 相当，针对季度数据实现最低的平均 MASE，同时比 ARIMA 和 TBATS 的计算成本更低。总体而言，结果表明 ESN 在预测准确性、鲁棒性和计算效率之间提供了平衡， positioned as a practical option for time series forecasting.（注：sMAPE 译为对称平均绝对百分比误差）
引用
@article{arxiv.2602.03912,
title = {Echo State Networks for Time Series Forecasting: Hyperparameter Sweep and Benchmarking},
author = {Alexander Häußer},
journal= {arXiv preprint arXiv:2602.03912},
year = {2026}
}