评估 LSTM 网络在时间序列预测中预测协变量的有效性

自回归循环神经网络广泛应用于时间序列预测任务，在单变量和某些多变量场景中表现出有效性。然而，其固有结构不易于整合未来的时间相关协变量。Salinas 等人 2019 年提出的一种解决方案建议在多变量框架中同时预测协变量和目标变量。在本研究中，我们对公开可用的时间序列数据集进行了全面测试，人为引入了与未来时间步值高度相关的协变量。我们的评估旨在评估 LSTM 网络在考虑这些协变量时的性能，并将其与单变量基线进行比较。作为本研究的一部分，我们引入了一种新方法，将季节性时间段与 RNN 架构相结合，该方法简单且在长预测期内非常有效，性能可与许多最先进架构相媲美。我们对超过 120 个模型的结果分析表明，在某些条件下，将协变量与目标变量联合训练可以提高模型的整体性能，但多变量预测和单变量预测之间通常存在显著的性能差异。令人惊讶的是，即使提供了告知网络未来目标值的协变量，多变量预测的性能依然较差。本质上，迫使网络预测多个值可能对模型性能不利，即使存在信息性协变量。这些结果表明，LSTM 架构可能不适用于通常期望通过预测协变量来提高模型准确性的预测任务。