SPADE-S: 一种对稀疏性鲁棒的基础预测器
机器学习
2025-08-07 v2 机器学习
摘要
尽管时间序列预测取得了显著进展，但对于具有强烈量级异质性和/或稀疏模式的时间序列，最先进的深度学习架构仍难以进行精确建模。我们识别出导致现有模型在低量级和稀疏时间序列上系统性表现不佳的几个因素，包括对高量级序列存在隐式偏好的损失函数、训练时采样方法以及时间序列编码方法的局限性。SPADE-S是一种鲁棒的预测架构，它显著减少了基于量级和稀疏性的系统性偏差，并提高了整体预测精度。实证结果表明，在需求预测的多种用例中，SPADE-S优于现有的最先进方法。特别地，我们表明，根据分位数预测和序列的量级，SPADE-S可以将预测精度提高多达15%。这导致在来自一家大型在线零售商的三个不同数据集（规模从300万到7亿个序列）上，P90整体预测精度分别提升了2.21%、6.58%和4.28%，P50预测精度分别提升了0.92%、0.77%和1.95%。
引用
@article{arxiv.2507.21155,
title = {SPADE-S: A Sparsity-Robust Foundational Forecaster},
author = {Malcolm Wolff and Matthew Li and Ravi Kiran Selvam and Hanjing Zhu and Kin G. Olivares and Ruijun Ma and Abhinav Katoch and Shankar Ramasubramanian and Mengfei Cao and Roberto Bandarra and Rahul Gopalsamy and Stefania La Vattiata and Sitan Yang and Michael W. Mahoney},
journal= {arXiv preprint arXiv:2507.21155},
year = {2025}
}