OLMA：一种用于更准确时间序列预测的单一损失函数
机器学习
2025-09-26 v2 人工智能
摘要
时间序列预测面临两个重要但常被忽视的挑战。首先，时间序列标签中固有的随机噪声为预测误差设定了理论下界，该下界与标签的熵正相关。其次，神经网络在建模时间序列时存在频率偏差，即模型在学习某些频率带时表现良好，但在其他频率带时表现不佳，从而限制了整体预测性能。为解决第一个挑战，我们证明存在一个酉变换可以降低多个相关高斯过程的边缘熵，从而为降低预测误差下界提供指导。此外，实验确认离散傅里叶变换（DFT）在大多数情境下可降低熵。针对第二个挑战，我们通过 DFT 和离散小波变换（DWT）在时间维度上联合引入频域监督。这种监督策略高度通用，可无缝集成到任何监督学习方法中。此外，我们提出了一种名为 OLMA 的新型损失函数，该函数利用跨越通道和时间维度的频域变换来增强预测。最终，在多个数据集上的实验结果表明 OLMA 在解决上述两个挑战方面有效，并显著提升预测准确性。结果还表明，熵和频率偏差的视角为时间序列预测提供了新的可行研究方向。代码已公开：https://github.com/Yuyun1011/OLMA-One-Loss-for-More-Accurate-Time-Series-Forecasting。
引用
@article{arxiv.2505.11567,
title = {OLMA: One Loss for More Accurate Time Series Forecasting},
author = {Tianyi Shi and Zhu Meng and Yue Chen and Siyang Zheng and Fei Su and Jin Huang and Changrui Ren and Zhicheng Zhao},
journal= {arXiv preprint arXiv:2505.11567},
year = {2025}
}