面向时间序列预测的内部实例归一化
机器学习
2025-10-13 v1 人工智能
摘要
现实中的时间序列受众多因素影响，呈现复杂的非平稳特征。非平稳性会导致分布迁移，即时间序列的统计特性随时间变化，从而负面影响模型性能。已提出多种实例归一化技术以解决时间序列预测中的分布迁移问题，但现有方法未考虑单个实例内部的迁移，导致性能 suboptimal。为解决内部实例分布迁移问题，本文提出两种新型点级方法：学习分布（LD）与学习条件分布（LCD）。LD 通过在不同时间步以不同参数拟合输入与输出的内部分布，以消除内部差异；LCD 则利用神经网络预测输出的缩放系数。我们在多个公开基准数据集上评估了两种方法，并通过对比实验证明了点级范式的有效性。
引用
@article{arxiv.2510.08657,
title = {Inner-Instance Normalization for Time Series Forecasting},
author = {Zipo Jibao and Yingyi Fu and Xinyang Chen and Guoting Chen},
journal= {arXiv preprint arXiv:2510.08657},
year = {2025}
}