FDNet：面向高效、鲁棒且实用时间序列预测的聚焦分解网络
机器学习
2023-06-21 v1 人工智能
信息论
math.IT
摘要
本文提出FDNet：一种用于高效、鲁棒且实用时间序列预测的聚焦分解网络（Focal Decomposed Network）。我们摆脱了从输入序列的通用特征图获得预测结果的传统深度时间序列预测公式。相反，FDNet忽略输入元素的通用相关性，仅从输入序列中提取细粒度局部特征。我们表明：(1) 仅基于输入序列的细粒度局部特征图进行深度时间序列预测在理论上是可行的。(2) 通过舍弃全局粗粒度特征图，FDNet克服了真实应用中常见的时间序列动态变化引起的分布偏移问题。(3) 除基本自回归外，FDNet不依赖于时间序列的任何归纳偏置，使其具有通用性和实用性。此外，我们提出聚焦输入序列分解方法，在面对长序列时间序列输入（LSTI）问题时以聚焦方式分解输入序列，以实现高效鲁棒的预测。FDNet在六个真实基准上取得了有竞争力的预测性能，与其他十三个SOTA基线相比平均降低预测MSE达38.4%。源代码见 https://github.com/OrigamiSL/FDNet。
引用
@article{arxiv.2306.10703,
title = {FDNet: Focal Decomposed Network for Efficient, Robust and Practical Time Series Forecasting},
author = {Li Shen and Yuning Wei and Yangzhu Wang and Huaxin Qiu},
journal= {arXiv preprint arXiv:2306.10703},
year = {2023}
}
备注
Accepted by Knowledge-Based Systems