重新思考多变量时间序列预测中的通道依赖性：从领先指标中学习
机器学习
2024-08-14 v6 人工智能
摘要
近期，通道独立方法在多变量时间序列（MTS）预测中取得了 state-of-the-art 的性能。尽管这些方法降低了过拟合风险，但它们错失了利用通道依赖性进行精确预测的潜在机会。我们认为变量之间存在局部平稳的领先-滞后关系，即某些滞后变量可能会在短时间段内跟随领先指标。利用这种通道依赖性是有益的，因为领先指标提供的提前信息可用于降低滞后变量的预测难度。在本文中，我们提出了一种名为 LIFT 的新方法，它首先在每个时间步高效地估计领先指标及其领先步数，然后合理地允许滞后变量利用来自领先指标的提前信息。LIFT 可作为一个插件，与任意时间序列预测方法无缝协作。在六个真实世界数据集上的大量实验表明，LIFT 将 state-of-the-art 方法的平均预测性能提升了 5.5%。我们的代码可在 https://github.com/SJTU-Quant/LIFT 获取。
引用
@article{arxiv.2401.17548,
title = {Rethinking Channel Dependence for Multivariate Time Series Forecasting: Learning from Leading Indicators},
author = {Lifan Zhao and Yanyan Shen},
journal= {arXiv preprint arXiv:2401.17548},
year = {2024}
}
备注
Accepted to ICLR 2024. Code is at https://github.com/SJTU-DMTai/LIFT