N-HiTS：用于时间序列预测的神经分层插值方法
机器学习
2022-12-01 v6 人工智能
摘要
神经预测的最新进展加速了大尺度预测系统性能的提升。然而，长时序预测仍是一项非常困难的任务。困扰该任务的两个常见挑战是预测的波动性与计算复杂性。我们提出 N-HiTS，一种通过引入新颖的分层插值与多速率数据采样技术来解决这两个挑战的模型。这些技术使所提方法能够顺序地组装其预测，在分解输入信号并合成预测的同时，强调具有不同频率与尺度的分量。我们证明了在存在光滑性的条件下，分层插值技术可有效近似任意长的预测范围。此外，我们在长时序预测文献中的大规模数据集上进行了广泛实验，展示了我们的方法相对于 SOTA 方法的优势，其中 N-HiTS 相较最新 Transformer 架构平均准确率提升近 20%，同时将计算时间减少一个数量级（50 倍）。我们的代码可在 bit.ly/3VA5DoT 获取。
引用
@article{arxiv.2201.12886,
title = {N-HiTS: Neural Hierarchical Interpolation for Time Series Forecasting},
author = {Cristian Challu and Kin G. Olivares and Boris N. Oreshkin and Federico Garza and Max Mergenthaler-Canseco and Artur Dubrawski},
journal= {arXiv preprint arXiv:2201.12886},
year = {2022}
}
备注
Accepted at the Thirty-Seventh AAAI Conference on Artificial Intelligence (AAAI-23)