大规模神经预测
机器学习
2022-01-31 v4 分布式、并行与集群计算
神经与进化计算
机器学习
摘要
我们研究了在大量时间序列上高效扩展基于集成深度神经网络进行多步时间序列（TS）预测的问题。当前最先进的深度集成模型具有较高的内存和计算需求，阻碍了它们在实际情况中对数百万个 TS 进行预测的应用。我们提出了 N-BEATS(P)，即 N-BEATS 模型的全局并行变体，旨在允许同时训练多个单变量 TS 预测模型。我们的模型解决了相关模型的实际局限性，在所有 TS 预测设置中保持相同精度水平的同时，将训练时间减少一半，内存需求降低为原来的 1/5。我们进行了多个实验，详细说明了训练我们模型的各种方式，并获得了证明其能在各种预测条件和设置下泛化的结果。
引用
@article{arxiv.2109.09705,
title = {Neural forecasting at scale},
author = {Philippe Chatigny and Shengrui Wang and Jean-Marc Patenaude and Boris N. Oreshkin},
journal= {arXiv preprint arXiv:2109.09705},
year = {2022}
}