面向时间序列预测的层次分类辅助网络
机器学习
2024-12-25 v2
摘要
深度学习通过其强大的序列关系捕获能力显著推进了时间序列预测。然而，使用均方误差（MSE）损失训练这些模型常导致预测过于平滑，难以处理时间序列数据中复杂性并从高熵特征中学习。本文提出一种新方法，通过对时间序列值进行分词训练预测模型，同时考虑时间序列的连续性。具体而言，我们提出了层次分类辅助网络（Hierarchical Classification Auxiliary Network, HCAN），这是一个通用且与模型无关的组件，可集成到任何预测模型中。HCAN基于层次感知注意力模块，在不同层次水平整合多粒度高熵特征。在每个层次上，我们为时间步分配类别标签以训练不确定性感知分类器。该分类器通过证据理论减轻softmax损失中的过度自信。我们还实现了层次一致性损失以维持跨层次水平的预测一致性。将HCAN集成到状态最佳预测模型中的大量实验表明，在多个真实数据集上相对于基线方法实现了显著改进。
引用
@article{arxiv.2405.18975,
title = {Hierarchical Classification Auxiliary Network for Time Series Forecasting},
author = {Yanru Sun and Zongxia Xie and Dongyue Chen and Emadeldeen Eldele and Qinghua Hu},
journal= {arXiv preprint arXiv:2405.18975},
year = {2024}
}