简单的前馈神经网络几乎足以用于时间序列预测
机器学习
2025-04-01 v1
摘要
时间序列数据无处不在——从金融到医疗保健——每个领域都有其独特的复杂性和结构。虽然Transformer和图神经网络（GNN）等先进模型在时间序列预测中越来越受欢迎，这主要归功于它们在语言建模等任务中的成功，但其增加的复杂性并不总是必要的。在我们的工作中，我们表明简单的前馈神经网络（SFNN）可以达到与这些最先进模型相当甚至更好的性能，同时更简单、更小、更快、更稳健。我们的分析表明，在许多情况下，单变量SFNN就足够了，这意味着对多个序列之间交互进行建模可能只会带来边际收益。即使序列间关系很强，一个基本的多变量SFNN仍然能提供有竞争力的结果。我们还研究了一些关键的设计选择，并为做出明智的决策提供了指导。此外，我们批判了现有的基准测试实践，并提出了一种改进的评估协议。尽管SFNN可能并非在所有情况下都是最优的（因此我们的标题中有“几乎”），但它们作为一个强大的基线，未来的时间序列预测方法应始终与之进行比较。
引用
@article{arxiv.2503.23621,
title = {Simple Feedfoward Neural Networks are Almost All You Need for Time Series Forecasting},
author = {Fan-Keng Sun and Yu-Cheng Wu and Duane S. Boning},
journal= {arXiv preprint arXiv:2503.23621},
year = {2025}
}