基于时间滞后交叉相关的序列预测框架TLCCSP
机器学习
2025-08-12 v1 信息检索
摘要
时间序列预测在天气、金融和房地产等多个领域至为重要，因为准确的预测能支持明智的决策并缓解风险。虽然近期深度学习模型在预测能力方面取得了进展，但往往忽视了相关序列之间的时间滞后交叉相关，这对于捕捉复杂的时间关系至关重要。为此，我们提出了基于时间滞后交叉相关的序列预测框架 (TLCCSP)，通过有效整合时间滞后交叉相关序列来提高预测精度。TLCCSP采用Sequence Shifted Dynamic Time Warping (SSDTW) 算法捕捉滞后相关性，并使用对比学习基于编码器高效近似SSDTW距离。在天气、金融和房地产时间序列数据集上的实验结果表明了该框架的有效性。在天气数据集上，SSDTW相对于单序列方法将均方误差 (MSE) 降低16.01%，而对比学习编码器 (CLE) 进一步将MSE降低17.88%。在股票数据集上，SSDTW实现9.95%的MSE降低，CLE将其降低6.13%。对于房地产数据集，SSDTW和CLE分别将MSE降低21.29%和8.62%。此外，对比学习方法将SSDTW的计算时间约降低99%，确保了该方法在多个时间序列预测任务中的可扩展性和实时性。
引用
@article{arxiv.2508.07016,
title = {TLCCSP: A Scalable Framework for Enhancing Time Series Forecasting with Time-Lagged Cross-Correlations},
author = {Jianfei Wu and Wenmian Yang and Bingning Liu and Weijia Jia},
journal= {arXiv preprint arXiv:2508.07016},
year = {2025}
}