时间相关特征如何提升时间序列预测？
机器学习
2024-12-03 v1 机器学习
摘要
近期在长期时间序列预测（LTSF）方面的研究主要聚焦于捕捉历史数据中跨时间和跨变量（通道）依赖关系。然而，许多现有方法往往忽略了对时间相关特征（如季节、月份、星期几、小时、分钟）的显式编码，这些特征是时间序列数据的关键组成部分。缺乏这种显式的时间相关编码限制了当前模型捕捉周期性或季节性趋势以及长期依赖的能力，尤其是在历史输入有限的情况下。为此，我们引入了一个简单且高效的模块，用于编码时间相关特征，称为时间戳预测器（TimeSter），以增强背板的预测性能。通过将TimeSter与线性背板集成，我们的模型TimeLinear显著提升了单个线性投影器的性能，在Electricity和Traffic等基准数据集上平均降低23%的均方误差（MSE）。值得注意的是，TimeLinear在保持卓越计算效率的同时，实现了与或超过当前最先进模型的效果，尽管参数数量仅为其的一部分。
引用
@article{arxiv.2412.01557,
title = {How Much Can Time-related Features Enhance Time Series Forecasting?},
author = {Chaolv Zeng and Yuan Tian and Guanjie Zheng and Yunjun Gao},
journal= {arXiv preprint arXiv:2412.01557},
year = {2024}
}