轻量级通道动态融合模型：基于熵分析的非平稳时间序列预测
机器学习
2025-03-05 v1
摘要
非平稳性是现实世界时间序列的内在属性，并在时间序列预测中起着至关重要的作用。以往的研究主要采用实例归一化来削弱原始序列的非平稳性，以获得更好的可预测性。然而，直接去除固有非平稳性的实例归一化可能导致三个问题：（1）破坏全局时间依赖性，（2）忽略通道特定差异，以及（3）产生过度平滑的预测。为了解决这些问题，我们在理论上证明了方差可以作为量化时间序列非平稳性的有效且可解释的代理。基于该分析，我们提出了一种新颖的轻量级通道动态融合模型（CDFM），该模型选择性地并动态地恢复原始序列固有的非平稳性，同时保持归一化序列的可预测性。首先，我们设计了一个双预测器模块，包含两个分支：用于捕获稳定模式的时间平稳预测器和用于建模全局动态模式的时间非平稳预测器。其次，我们提出了一个融合权重学习器，基于方差动态刻画不同样本间固有的非平稳信息。最后，我们引入了一个通道选择器，通过评估特定通道的非平稳性、相似性和分布一致性来选择性地恢复非平稳信息，使模型能够捕获相关的动态特征并避免过拟合。在七个时间序列数据集上的综合实验证明了 CDFM 的优越性和泛化能力。
引用
@article{arxiv.2503.02609,
title = {Lightweight Channel-wise Dynamic Fusion Model: Non-stationary Time Series Forecasting via Entropy Analysis},
author = {Tianyu Jia and Zongxia Xie and Yanru Sun and Dilfira Kudrat and Qinghua Hu},
journal= {arXiv preprint arXiv:2503.02609},
year = {2025}
}