用于预测的部分多元模型

在求解包含多个时间序列特征的预测问题时，现有方法通常分为两类极端：单变量模型和完全多元模型，取决于是否利用特征间的信息。单变量模型忽略特征间信息，而完全多元模型计算所有特征之间的关系。然而，尽管利用额外信息具有潜在优势，完全多元模型有时表现不如单变量模型。因此，我们的研究旨在探索两者之间的中间地带，引入所谓的部分多元模型，即神经网络仅捕获部分关系，即所有特征的子集内部的依赖关系。为此，我们提出了PMformer，一种基于Transformer的部分多元模型及其训练算法。我们证明PMformer优于各种单变量和完全多元模型，并提供了其优越性的理论依据和实证分析。此外，通过提出PMformer的推理技术，预测精度进一步提高。最后，我们强调了PMformer的其他优势：效率和在缺失特征下的鲁棒性。