SparseTSF：用 1k 参数建模长期时间序列预测
机器学习
2024-06-04 v2
摘要
本文介绍了 SparseTSF，一种用于长期时间序列预测（LTSF）的新型极轻量级模型，旨在以极少的计算资源解决在较长预测期内建模复杂时间依赖关系的挑战。SparseTSF 的核心是跨周期稀疏预测技术，该技术通过解耦时间序列数据中的周期性和趋势来简化预测任务。该技术对原始序列进行下采样以专注于跨周期趋势预测，在有效提取周期性特征的同时，最大限度地降低了模型的复杂度和参数量。基于该技术，SparseTSF 模型使用不到 *1k* 个参数，即可实现与 SOTA 模型相当或更优的性能。此外，SparseTSF 展现出卓越的泛化能力，非常适合计算资源有限、小样本或低质量数据的场景。代码在此仓库公开：https://github.com/lss-1138/SparseTSF。
引用
@article{arxiv.2405.00946,
title = {SparseTSF: Modeling Long-term Time Series Forecasting with 1k Parameters},
author = {Shengsheng Lin and Weiwei Lin and Wentai Wu and Haojun Chen and Junjie Yang},
journal= {arXiv preprint arXiv:2405.00946},
year = {2024}
}