论季节性趋势分解在增强时间序列预测中的作用
机器学习
2026-02-24 v1 机器学习
摘要
时间序列预测在实际应用中面临诸多挑战。本文基于时间序列分解，增强了机器学习模型的体系结构，以实现更好的多变量时间序列预测。为此，我们关注趋势和季节性成分，分别针对性地寻找减少预测误差的解决方案。认识到可逆实例归一化仅对趋势成分有效，本文对季节性成分采取不同方法：直接应用 backbone 模型，而无需任何归一化或缩放程序。通过这些策略，我们成功降低了现有最先进模型的误差值，最终引入双 MLP 模型作为更高效的解决方案。进一步地，我们的方法在四个基准数据集上 consistently 实现约10% 的 MSE 平均降低。我们还在来自美国地质调查局（USGS）河站提取的水文数据集上评估了该方法，模型在保持线性时间复杂度的同时实现显著改进，展示了实际效果。源代码已公开于 https://github.com/Sanjeev97/Time-Series-Decomposition。
引用
@article{arxiv.2602.18465,
title = {Revisiting the Seasonal Trend Decomposition for Enhanced Time Series Forecasting},
author = {Sanjeev Panta and Xu Yuan and Li Chen and Nian-Feng Tzeng},
journal= {arXiv preprint arXiv:2602.18465},
year = {2026}
}
备注
5 pages, accepted at 2026 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP 2026)