面向时间序列预测的分块结构损失
机器学习
2025-07-16 v2
摘要
时间序列预测因其在众多领域的关键作用而受到广泛关注。然而，大多数现有预测模型依赖于点级损失函数，如均方误差，这些函数对每个时间步独立处理，忽视了时间序列数据中固有的结构依赖关系，难以准确捕获复杂的时间模式。为此，我们提出一种新的分块结构损失(Patch-wise Structural, PS损失)，旨在通过在分块级别比较时间序列来增强结构对齐。该方法利用局部统计特性，如相关性、方差和均值，捕获传统点级损失忽视的细微结构差异。此外，PS损失可无缝集成到点级损失中，同时解决局部结构不一致和单个时间步误差。PS损失为准确建模复杂时间序列数据树立了新的基准，为时间序列损失函数设计提供了新视角。广泛实验表明，PS损失显著提高了跨越多样真实数据集的先进模型性能。
引用
@article{arxiv.2503.00877,
title = {Patch-wise Structural Loss for Time Series Forecasting},
author = {Dilfira Kudrat and Zongxia Xie and Yanru Sun and Tianyu Jia and Qinghua Hu},
journal= {arXiv preprint arXiv:2503.00877},
year = {2025}
}