KAN 与 LSTM 在时间序列预测中的性能比较
机器学习
2025-11-25 v1 人工智能
摘要
本文比较了Kolmogorov-Arnold 网络（KAN）与长短期记忆网络（LSTM）在预测非确定性股票价格数据方面的性能，评估预测准确性与可解释性之间的权衡，使用均方根误差（RMSE）作为指标。LSTM 在所有测试的预测时段上均显示出显著优势，确认其在顺序数据建模方面的既有有效性。标准KAN虽然通过Kolmogorov-Arnold 表示定理提供了理论可解释性，但显著错误率更高，实际应用中的适用性有限，尤其是在时间序列预测中。结果确认LSTM在准确性至关紧要的时间序列应用中占据主导地位，同时指出KAN在资源受限场景下（尤其是在准确性要求不高时）的计算效率是其主要优势。本研究 findings 支持在实际金融预测中采用LSTM，同时暗示持续研究针对专用KAN架构可能在未来获得改进。
引用
@article{arxiv.2511.18613,
title = {KAN vs LSTM Performance in Time Series Forecasting},
author = {Tabish Ali Rather and S M Mahmudul Hasan Joy and Nadezda Sukhorukova and Federico Frascoli},
journal= {arXiv preprint arXiv:2511.18613},
year = {2025}
}
备注
This paper compares Kolmogorov-Arnold Networks (KANs) and LSTMs for forecasting stock prices, highlighting that LSTMs provide superior predictive accuracy while KANs offer better interpretability and efficiency in limited-resource settings. Practical findings and future research directions are discussed