时间序列预测模型复制过去：如何缓解
机器学习
2022-07-28 v1 人工智能
摘要
时间序列预测处于重要应用领域的核心，对机器学习算法提出了重大挑战。近来，神经网络架构已被广泛应用于时间序列预测问题。这些模型大多通过最小化衡量预测值与真实值偏差的损失函数进行训练。典型损失函数包括均方误差（MSE）与平均绝对误差（MAE）。在噪声与不确定性存在的情况下，神经网络模型倾向于复制时间序列最后观测到的值，从而限制了其在真实世界数据上的适用性。本文中，我们给出了上述问题的形式化定义，并给出了一些观察到该问题的预测示例。我们还提出了一种惩罚对先前所见值复制的正则化项。我们在合成与真实世界数据集上评估了所提正则化项。我们的结果表明，该正则化项在某种程度上缓解了上述问题，并产生了更鲁棒的模型。
引用
@article{arxiv.2207.13441,
title = {Time Series Forecasting Models Copy the Past: How to Mitigate},
author = {Chrysoula Kosma and Giannis Nikolentzos and Nancy Xu and Michalis Vazirgiannis},
journal= {arXiv preprint arXiv:2207.13441},
year = {2022}
}
备注
accepted at ICANN'22