时空标识：一种简洁而有效的多元时间序列预测基线
机器学习
2022-08-22 v2
摘要
多元时间序列（MTS）预测在广泛应用中有着至关重要的作用。近来，时空图神经网络（STGNNs）因其最先进的性能而成为日益流行的MTS预测方法。然而，近期工作变得愈发复杂，而性能提升有限。这一现象促使我们探索MTS预测的关键因素，并设计一个与STGNNs同样强大但更简洁高效的模型。本文中，我们指出样本在空间和时序维度上的不可区分性是关键瓶颈，并提出了一种简洁而有效的MTS预测基线，通过附加空间与时序标识信息（STID），基于简单的多层感知机（MLPs）同时实现了最佳性能与效率。这些结果表明，只要解决了样本不可区分性问题，我们便可设计高效且有效的模型，而不必局限于STGNNs。
引用
@article{arxiv.2208.05233,
title = {Spatial-Temporal Identity: A Simple yet Effective Baseline for Multivariate Time Series Forecasting},
author = {Zezhi Shao and Zhao Zhang and Fei Wang and Wei Wei and Yongjun Xu},
journal= {arXiv preprint arXiv:2208.05233},
year = {2022}
}
备注
Accepted by CIKM 2022 (Short)