简约还是能力？分解在长期时间序列预测中两者兼得
机器学习
2024-10-17 v4
摘要
长期时间序列预测(LTSF)代表了时间序列分析中的一个关键前沿，其特点是输入序列长，与传统方法中较短的跨度形成对比。虽然较长的序列固有地提供了更丰富的信息以提高预测精度，但主流研究通常通过增加模型复杂度来应对。这些复杂的模型可能膨胀到数百万个参数，导致参数规模过大。我们的研究通过分析和实证证据表明，分解是遏制过度模型膨胀同时在不同数据集上实现一致优越和鲁棒结果的关键。值得注意的是，通过将分解定制为时间序列数据的内在动力学，我们提出的模型以比大多数竞争方法少99%以上的参数超越了现有基准。通过这项工作，我们旨在通过利用领域特征释放有限参数集的力量——这是一个及时的提醒：在LTSF领域，更大并不总是更好。
引用
@article{arxiv.2401.11929,
title = {Parsimony or Capability? Decomposition Delivers Both in Long-term Time Series Forecasting},
author = {Jinliang Deng and Feiyang Ye and Du Yin and Xuan Song and Ivor W. Tsang and Hui Xiong},
journal= {arXiv preprint arXiv:2401.11929},
year = {2024}
}