基于概率模式引导的时间序列预测
机器学习
2025-02-19 v1
摘要
时间序列预测是机器学习的一个重要分支，具有广泛应用。大多数方法关注构建不同的网络以提取更好的信息并提高性能。然而，实际应用数据包含不同的内部机制，导致多种模式混合，即模型对不同模式的拟合能力不同，产生不同误差。为解决此问题，我们提出一种端到端框架，即概率模式引导的时间序列预测(PPGF)。PPGF 将TSF问题重新表述为受概率模式分类引导的预测任务。首先，我们提出分组策略将预测问题视为分类问题，以缓解数据不平衡对分类的影响。其次，在相应的类别区间内进行预测，以保证分类与预测的一致性。此外，引入真实类别概率(TCP)以更关注难分类样本以提高分类准确性。详细而言，PPGF 对不同模式进行分类，以确定目标值可能属于哪一个类别，并在相应区间内对其进行准确估计。为证明所提框架的有效性，我们在真实数据集上进行大量实验，PPGF 在多个基线方法上实现显著性能提升。此外，实验还证明了TCP的有效性以及分类与预测一致性的必要性。所有数据和代码均已公开：https://github.com/syrGitHub/PPGF。
引用
@article{arxiv.2502.12802,
title = {PPGF: Probability Pattern-Guided Time Series Forecasting},
author = {Yanru Sun and Zongxia Xie and Haoyu Xing and Hualong Yu and Qinghua Hu},
journal= {arXiv preprint arXiv:2502.12802},
year = {2025}
}