用于训练深度时间序列预测模型的形状与时间失真损失
机器学习
2019-11-12 v4 机器学习
摘要
本文针对非平稳信号的时间序列预测和多步未来预测问题。为应对这一挑战性任务，我们引入了 DILATE（包含形状和时间的失真损失），一种用于训练深度神经网络的新目标函数。DILATE 旨在准确预测突变，并显式地结合了两个项，以支持精确的形状和时间变化检测。我们引入了一个适用于训练深度神经网络的可微损失函数，并提供了一个自定义的反向传播实现以加速优化。我们还引入了 DILATE 的一个变体，它提供了时间约束动态时间规整（DTW）的平滑推广。在各种非平稳数据集上进行的实验表明，与使用标准均方误差损失函数训练的模型以及 DTW 及其变体相比，DILATE 表现出非常良好的性能。DILATE 也与模型选择无关，我们强调了它在训练全连接网络和专门的循环架构方面的优势，展示了其改进现有最先进轨迹预测方法的能力。
引用
@article{arxiv.1909.09020,
title = {Shape and Time Distortion Loss for Training Deep Time Series Forecasting Models},
author = {Vincent Le Guen and Nicolas Thome},
journal= {arXiv preprint arXiv:1909.09020},
year = {2019}
}