IdealTSF：非理想数据能否提升时间序列预测模型的性能？
机器学习
2025-12-17 v2 人工智能
摘要
深度学习在时间序列预测任务中展现出强大的性能。然而，序列数据中存在的缺失值和异常值问题，阻碍了其在预测任务中的进一步发展。以往的研究主要聚焦于从序列数据中提取特征信息或将这些次优数据视为正样本进行知识迁移。更有效的做法是利用这些非理想的负样本来增强事件预测。在此基础上，本研究强调了非理想负样本的优势，提出了集成理想正负样本的IdealTSF框架。IdealTSF包含三个渐进步骤：预训练、训练和优化。首先通过从负样本数据中提取知识进行预训练，然后在训练过程中将序列数据转换为理想正样本。此外，还应用了带有对抗扰动的负优化机制。大量实验表明，负样本数据在时间序列预测的基本注意力架构中展现出显著的潜力。因此，IdealTSF特别适用于噪声样本或低质量数据的应用场景。
引用
@article{arxiv.2512.05442,
title = {IdealTSF: Can Non-Ideal Data Contribute to Enhancing the Performance of Time Series Forecasting Models?},
author = {Hua Wang and Jinghao Lu and Fan Zhang},
journal= {arXiv preprint arXiv:2512.05442},
year = {2025}
}
备注
Accepted at AAAI 2026