ForecastGAN：基于分解的多步时间序列预测对抗框架
机器学习
2025-11-07 v1 机器学习
摘要
时间序列预测是金融、供应链管理等多个领域的关键任务。本文介绍了 ForecastGAN，这是一种针对多步预测中现有方法的局限性的分解基于对抗框架。虽然变换器模型在长期预测中表现出色，但在短期场景中常常表现不佳，并且通常忽略类别特征。ForecastGAN 通过三个集成模块运行：分解模块提取季节性和趋势分量；模型选择模块基于预测时段识别最佳神经网络配置；对抗训练模块通过条件生成对抗网络训练提高预测鲁棒性。与传统方法不同，ForecastGAN 有效地集成了数值和类别特征。我们在横跨各种预测时段的十一组基准多变量时间序列数据集上对该框架进行了验证。结果表明，ForecastGAN 在短期预测中持续地优于最先进的变换器模型，而在长期预测中保持竞争力。这项研究建立了一种更通用的时间序列预测方法，能够适应特定情境，同时在保持 diverse 数据特征的强大性能方面无需进行大量调参。
引用
@article{arxiv.2511.04445,
title = {ForecastGAN: A Decomposition-Based Adversarial Framework for Multi-Horizon Time Series Forecasting},
author = {Syeda Sitara Wishal Fatima and Afshin Rahimi},
journal= {arXiv preprint arXiv:2511.04445},
year = {2025}
}
备注
Portions of this work were previously published in the author's Master's thesis at University of Windsor (2024)