ReNF：重新思考神经长期时间序列预测器的设计
机器学习
2026-05-15 v6
摘要
神经预测器已成为长期时间序列预测的基石。然而，最近的进展因过度强调架构复杂性而忽视了基础预测结构受到阻碍。在这项工作中，我们重新审视 LTSF 的原则性设计。我们首先提出方差缩减假说，假设生成并组合多个预测对于降低 NF 固有的不确定性至关重要。在此指导下，我们提出 Boosted Direct Output (BDO)，这是一种简化的范式，将自回归的因果结构与直接输出的稳定性协同混合，同时在单一网络内隐式实现预测组合原则。此外，我们通过采用参数平滑来稳定优化，从而缓解了关键的验证-测试泛化差距。大量实验表明，这些看似简单却具原则性的改进使得直接的时间 MLP 在几乎所有基准测试中均优于近期复杂的 SOTA 模型，且不依赖于复杂的归纳偏置。最后，我们通过实验验证了我们的假设，建立了一个动态性能界限，为未来研究指明了有前景的方向。代码公开获取于：https://github.com/Luoauoa/ReNF。
引用
@article{arxiv.2509.25914,
title = {ReNF: Rethinking the Design of Neural Long-Term Time Series Forecasters},
author = {Yihang Lu and Xianwei Meng and Enhong Chen},
journal= {arXiv preprint arXiv:2509.25914},
year = {2026}
}