复兴现代深度时间序列预测中的误差纠正
机器学习
2026-05-21 v1
摘要
现代深度学习模型在时间序列预测中取得了显著的成功。然而，由于自回归推断中的误差累积（即将预测结果递归地用作输入），其在长期预测中性能会下降。虽然经典的误差纠正机制（ECM）在统计方法中长期被使用，但其针对深度学习模型的适用性仍有限或不有效。在本 work 中，我们重访深度时间序列预测中的误差累积问题，研究 ECM 在新语境中的作用与必要性。我们提出了一个简单且与体系结构无关的误差纠正模型，可与任何现有的预测器集成，无需重新训练。通过显式地将预测分解为趋势和季节性分量，并训练纠正器分别调整每种分量，我们引入了具有季节-趋势分解的通用误差纠正器（Universal Error Corrector with Seasonal-Trend Decomposition, UEC-STD），该模型在 4 个不同主干网络和 10 个数据集上显著提高了纠正精度和鲁棒性。我们的发现提供了一个实用的工具，用于增强预测，同时为缓解深度时间序列模型中的自回归误差提供了新的见解。代码已在 https://github.com/DA2I2-SLM/UEC-STD 提供。
引用
@article{arxiv.2605.21088,
title = {Reviving Error Correction in Modern Deep Time-Series Forecasting},
author = {Minh Hoang Nguyen and Dai Do and Huu Hiep Nguyen and Dung Nguyen and Kien Do and Hung Le},
journal= {arXiv preprint arXiv:2605.21088},
year = {2026}
}
备注
27 pages