深度学习在时间序列预测中起作用的关键因素是什么？
机器学习
2025-12-30 v1
摘要
深度学习模型在时间序列应用中越来越受欢迎，但大量新颖的架构提出，加上常常相互矛盾的实证结果，使得难以评估哪些组件对最终性能有显著贡献。我们旨在通过讨论深度学习架构的设计维度和权衡，来理解当前设计空间，以解释常常令人惊讶的观察结果。本文讨论了以何种原则来为时间序列的预测组建立模型设计，并阐述了这些原则如何应用于当前模型。特别是，我们评估了诸如局部性和全局性等概念如何适用于最近的预测架构。我们表明，考虑这些方面对于实现准确结果的重要性，不亚于采用特定的序列建模层，而且经过精心设计的简单预测架构往往能够与最先进的水平相媲美。我们讨论了现有架构中被忽视的实现细节（1）如何根本性地改变所得预测方法的类别（2）如何显著影响观察到的实证结果。我们的研究结果呼吁重新思考当前有失误的基准测试实践，并强调在设计架构时应关注预测问题的基础层面。作为一步进展，我们提出了一套辅助预测模型卡，其字段用于基于关键设计选择来表征现有和新的预测架构。
引用
@article{arxiv.2512.22702,
title = {What Matters in Deep Learning for Time Series Forecasting?},
author = {Valentina Moretti and Andrea Cini and Ivan Marisca and Cesare Alippi},
journal= {arXiv preprint arXiv:2512.22702},
year = {2025}
}