GAS-Norm：用于深度学习中非平稳时间序列预测的得分驱动自适应归一化
机器学习
2024-10-08 v1 机器学习
摘要
尽管深度神经网络(DNN)在时间序列预测中非常受欢迎，但它们往往无法战胜更简单的统计模型。这一次优化性能的主要原因之一是许多过程所呈现的数据非平稳性。在 particular，输入数据的均值和方差的变化会破坏DNN的预测能力。在本文中，我们首先展示了DNN在简单非平稳环境中的失败。随后，我们引入GAS-Norm，这是一种基于Generalized Autoregressive Score(GAS)模型和深度神经网络组合的自适应时间序列归一化和预测方法。GAS方法包含一系列以得分驱动的模型，用于估计每个新观察值的时间均值和方差，提供更新的统计数据来归一化深层模型的输入数据。最终，DNN的输出将使用GAS模型预测的统计数据进行反归一化，从而形成一种利用统计建模和深度学习优势的混合方法。自适应归一化可提高非平稳环境下模型的性能。该方法具有模型中性，可应用于任何DNN预测模型。在实证验证我们的提议方面，我们首先将GAS-Norm与其他最先进的归一化方法进行比较。随后，我们将其与最先进的DNN预测模型结合，在来自Monash开放访问预测存储库的真实世界数据集上进行测试。结果表明，与其他归一化方法相比，深度预测模型在21个中的25个情形下性能都有所提高。
引用
@article{arxiv.2410.03935,
title = {GAS-Norm: Score-Driven Adaptive Normalization for Non-Stationary Time Series Forecasting in Deep Learning},
author = {Edoardo Urettini and Daniele Atzeni and Reshawn J. Ramjattan and Antonio Carta},
journal= {arXiv preprint arXiv:2410.03935},
year = {2024}
}
备注
Accepted at CIKM '24