SegRNN：面向长期时间序列预测的分段循环神经网络
机器学习
2023-08-23 v1
摘要
基于RNN的方法在长期时间序列预测（LTSF）领域处理过长的回看窗口与预测 horizon 时面临挑战。因此，该领域的主导地位已转向Transformer、MLP与CNN方法。大量的循环迭代是RNN在LTSF中受限的根本原因。为解决这些问题，我们提出两种新颖策略以减少RNN在LTSF任务中的迭代次数：分段迭代与并行多步预测（PMF）。结合这些策略的RNN，即SegRNN，显著减少了LTSF所需的循环迭代次数，从而带来预测精度与推理速度的明显提升。大量实验表明，SegRNN不仅优于SOTA的基于Transformer的模型，还将运行时间与内存占用降低逾78%。这些成果有力证明RNN在LTSF任务中依旧表现出色，并鼓励以更多基于RNN的方法进一步探索该领域。源代码即将发布。
引用
@article{arxiv.2308.11200,
title = {SegRNN: Segment Recurrent Neural Network for Long-Term Time Series Forecasting},
author = {Shengsheng Lin and Weiwei Lin and Wentai Wu and Feiyu Zhao and Ruichao Mo and Haotong Zhang},
journal= {arXiv preprint arXiv:2308.11200},
year = {2023}
}