时间序列预测的比例规律

在深度学习领域的各种领域都观察到一种比例规律，奖励大数据集、复杂模型和更细粒度的数据。然而，关于时间序列预测中深度学习方法的比例规律，仍存争议：虽然更多训练数据会提升性能，但更具能力的模型不一定超过较不擅长的模型，更长的输入时序有时会损害性能。我们提出一种时间序列预测的比例规律理论，以解释这些看似异常的行为。我们考虑数据集规模、模型复杂度以及时间序列数据细粒度，特别是关注回望时域—an 方面在以往理论中未被探讨。进一步地，我们在多样化的时间序列预测数据集上对 various 模型进行经验评估，该评估 (1) 验证了在时间序列预测领域内数据集规模和模型复杂度比例规律的有效性，(2) 验证了我们的理论框架，特别是关于回望时域影响的理论。我们希望我们的发现可能激发针对规模有限的时间序列预测数据集的新模型，以及面向大型基础数据集和模型的未来工作中针对时间序列预测的大规模模型。我们实验的代码已公开于 https://github.com/JingzheShi/ScalingLawForTimeSeriesForecasting。