历史惯性：长序列时间序列预测中被忽视却强劲的基线
机器学习
2021-05-19 v3
摘要
长序列时间序列预测（LSTF）因其广泛应用而日益流行。尽管已有更优模型被提出以提升预测效果与效率，但忽视或低估时间序列最自然且基本的时间属性之一是轻率的。本文中，我们为 LSTF 引入一个新基线——历史惯性（HI），其指输入时间序列中最近的若干历史数据点。我们在四个公开真实数据集上实验评估了历史惯性的效力。结果表明，即便直接将 HI 作为输出，也可相较最先进（state-of-the-art, SOTA）工作取得高达 82% 的相对提升。
引用
@article{arxiv.2103.16349,
title = {Historical Inertia: A Neglected but Powerful Baseline for Long Sequence Time-series Forecasting},
author = {Yue Cui and Jiandong Xie and Kai Zheng},
journal= {arXiv preprint arXiv:2103.16349},
year = {2021}
}
备注
7 pages, 1 figure, 5 tables