最近邻多变量时间序列预测
机器学习
2025-05-20 v1 人工智能
机器学习
摘要
多变量时间序列（MTS）预测在行业和学术领域具有广泛应用。最近，基于空间-时间图的神经网络（STGNNs）在MTS预测方法中获得了流行。然而，当前的STGNNs只能由于计算复杂度的限制使用有限长度的MTS输入数据。此外，它们缺乏识别整个数据集中相似模式的能力，以及处理在广泛历史时段内变量之间稀疏且不连续分布的相关性，导致仅实现有限的改进。本文引入一种简单而有效的k最近邻MTS预测（kNN-MTS）框架，通过在大型缓存数据集上进行最近邻检索，使用MTS模型的表示进行相似性搜索。该方法无需额外训练，能够在测试时使MTS模型直接访问整个数据集， resulting in 一个高度表达模型，持续改进性能，并能够从整个数据集中提取稀疏分布但相似的模式。此外，设计了用于kNN-MTS的混合空间-时间编码器（HSTEncoder），该编码器能够捕获长期时间和短期空间-时间依赖关系，并被证明为kNN-MTS提供准确的表示以获得更好的预测。实验结果表明，kNN-MTS在多个真实数据集上的预测性能显着提升。定量分析也说明了kNN-MTS的可解释性和效率，显示其更好的应用前景，并为高效利用大数据集中的MTS模型开辟了新路径。
引用
@article{arxiv.2505.11625,
title = {Nearest Neighbor Multivariate Time Series Forecasting},
author = {Huiliang Zhang and Ping Nie and Lijun Sun and Benoit Boulet},
journal= {arXiv preprint arXiv:2505.11625},
year = {2025}
}