变分模式分解与线性嵌入：用于时间序列预测
机器学习
2024-09-05 v2 信号处理
摘要
时间序列预测常面临数据波动性导致预测不准确的挑战。变分模式分解（VMD）作为一种缓解波动性、将数据分解为不同模式以提升预测精度的有前景技术。本研究将 VMD 与线性模型集成，开发出稳健的预测框架。该方法在 13 个多样化数据集上进行评估，包括 ETTm2、WindTurbine、M4 以及来自东南亚多个城市的 10 个空气质量数据集。通过比较使用 VMD 的模型与不使用 VMD 的模型的均方根误差（RMSE）值来评估 VMD 方法的有效性。此外，我们还将基于线性的模型与著名的神经网络架构如 LSTM、双向 LSTM 和 RNN 进行基准测试。结果显示，VMD 应用后几乎所有模型的 RMSE 均显著降低。值得注意的是，Linear + VMD 模型在单变量预测中实现了最低的平均 RMSE 为 0.619。在多变量预测中，DLinear + VMD 模型在所有数据集上均表现最佳，平均 RMSE 为 0.019。这些发现凸显了将 VMD 与线性模型结合用于时间序列预测具有优越性的效果。
引用
@article{arxiv.2408.16122,
title = {Variational Mode Decomposition and Linear Embeddings are What You Need For Time-Series Forecasting},
author = {Hafizh Raihan Kurnia Putra and Novanto Yudistira and Tirana Noor Fatyanosa},
journal= {arXiv preprint arXiv:2408.16122},
year = {2024}
}
备注
For associated repository, see https://github.com/Espalemit/VMD-With-LTSF-Linear.git