基于全局统计量的外生变量时间窗平滑以提升时间序列预测
机器学习
2025-07-09 v1
摘要
虽然大多数基于 transformer 的时间序列预测模型主要依赖内生输入，但最近的 SOTA 方法通过 incorporating external information through exogenous inputs 显著提高了性能。然而，这些方法面临挑战，如当内生输入和外生输入来自相同来源时存在冗余，以及由于固定的 look-back window 难以捕获长期依赖的问题。本文提出了一种方法，通过基于全局统计量的 whitening 来减少数据中可能持续的冗余。此外，我们的方法使外生输入更加关注在更长时间段内的模式和趋势。通过在不增加 lookback window 长度的前提下，将这个精炼且具有全局上下文感知的外生输入引入内生输入，本方法引导模型实现更好的预测。我们的方法在四个 benchmark 数据集上实现了 SOTA 性能，持续优于 11 个 baseline 模型。这一结果确立了本方法作为时间序列预测中使用外生输入的 robust and effective 替代方案。
关键词
引用
@article{arxiv.2507.05284,
title = {Temporal Window Smoothing of Exogenous Variables for Improved Time Series Prediction},
author = {Mustafa Kamal and Niyaz Bin Hashem and Robin Krambroeckers and Nabeel Mohammed and Shafin Rahman},
journal= {arXiv preprint arXiv:2507.05284},
year = {2025}
}
备注
Accepted at IJCNN 2025