保持季节性和趋势信息：基于变分自编码器潜在空间算术的非平稳学习方法
机器学习
2025-04-29 v1 人工智能
摘要
AI 模型在寻求自动化预测任务方面获得了显著的研究关注。然而，大多数模型都基于平稳训练环境的假设，而这些模型在非平稳数据上由于学习到平稳关系而无法正常工作。现有解决方案提出在模型训练和评估前使数据平稳化，这会导致趋势和季节性模式的丢失，这些模式是学习研究系统中时间依赖性的关键组件。本研究旨在通过提出一种在潜在空间内强制平稳性行为的方法，来解决这一局限性。该方法运用包括差分、时间序列分解和潜在空间算术（Latent Space Arithmetic, LSA）等技术，在学习用于高效逼近趋势和季节性信息的关键信息后，将其存储为潜在空间中变分自编码器（Variational Autoencoder, VAE）的嵌入。该方法在保持趋势和季节性信息方面的能力，在两个非平稳时间序列数据集上进行了评估。对于预测性能评估，训练了四个深度学习模型，对应用该方法后数据集的潜在向量表示进行训练，所有模型均以 RMSE 作为绩效指标，与基于最新技术的方法相比均表现出竞争力。
引用
@article{arxiv.2504.18819,
title = {Preserving Seasonal and Trend Information: A Variational Autoencoder-Latent Space Arithmetic Based Approach for Non-stationary Learning},
author = {Hassan Wasswa and Aziida Nanyonga and Timothy Lynar},
journal= {arXiv preprint arXiv:2504.18819},
year = {2025}
}